如何提高知识库系统管理水平？

我们都有过这样的经历--遇到问题或紧急请求时，第一时间就是向知识库系统寻求帮助。很多时候，当你翻遍了无穷无尽的文档，却发现没有任何东西能够摆脱此时的困境，这时，向服务台提交工单成了不可避免的解决方式，漫长的等待直到 IT 团队做出回应。而如果事先能够轻松获得相关解决方案，这一切都可以避免。

因此，有组织的知识管理战略可以迅速解决问题，也可以延长停机时间。然而，尽管知识管理的好处显而易见，但许多组织似乎仍未进行知识内容的归纳和收录。根据《2022 年 AXELOS ITSM 基准报告》，知识管理在 ITIL® 实践中的采用率排名第六，但自报告的成功率仅为 20%。

其中一个主要原因是，传统的知识管理系统往往是静态和单维的，因为它们依赖于人工整理和更新信息。此外，知识是一个动态实体，需要不断发展才能保持其相关性。

值得庆幸的是，最近的技术进步帮助解决了这些差距，使知识管理从记录和共享信息的活动，过渡到了更具互动性的智能方法。

在人工智能和机器学习的推动下，这些进步，尤其是以生成式人工智能工具为形式的进步，可以帮助组织以前所未有的效率生成和传播知识。

生成式人工智能只是科技巨头的专利吗？

如今，企业开始了解如何利用生成式人工智能来解决在整个企业中收集、组织和传输知识的困难。大语言模型（LLM）为生成文本和理解语言等任务带来了一波创新浪潮。然而，由于其规模大、计算要求高，只有具备雄厚资金和技术实力的企业才能采用。

虽然 GPT-4 和 PaLM 2 等公开可用的 LLM 表现出了令人印象深刻的性能，但仅仅将这些模型应用于企业用例就会给企业使用带来一定的挑战。此外，规模较小的企业可能没有足够的资源来利用这些模型。

以下是一些企业发现自己在使用通用模型时束手无策的关键领域：

1、缺乏特定领域的数据和背景

通用模型能有效地回答一般问题，但在回答有关具体产品或服务的问题时，则效果不佳。这种知识差距使模型容易产生幻觉和偏差。

2、资源密集型培训和维护

培训和维护 LLM 需要大量资源和计算要求，这使得 LLM 成为资金雄厚的组织的专属。

3、缺乏数据安全性

组织专有数据的安全性和隐私性令人担忧。企业宁可自己控制这些数据，也不允许面向公众的 LLM 对其进行培训。

企业要想在知识管理战略中充分受益于生成式人工智能，就必须首先克服这些挑战。最近，人们逐渐意识到，要挖掘生成式人工智能的真正潜力，就必须转向更小、更特定领域的模型。这些小型语言模型通过在企业的数据语料库中进行训练，可以提供与大型模型类似的功能，但资源效率更高。这将使生成式人工智能更容易被广泛的受众所接受。

以下是推动小型语言模型发展的一些因素：

增强定制化水平

小语言模型在特定领域用例和企业内部数据的基础上进行培训后，可根据企业的独特需求进行更大程度的定制。

易于管理的培训和部署

这些模型的训练和部署更易于管理，所需的训练数据和强大硬件都要少得多。从长远来看，这将为企业节省大量成本。

数据控制

在受控环境中对经过策划的数据集进行模型训练，有助于保护敏感信息和维护隐私，降低未经授权访问企业数据的风险。

小型语言模型的出现标志着人工智能进入了一个关键时刻，它将帮助我们在企业知识管理中释放出无数用途。接下来，让我们探讨一下生成式人工智能如何帮助服务台应对在企业内部共享知识的固有挑战。

服务台团队利用生成式人工智能优化知识管理的 3 种方法

1. 知识创建： 通过生成详细的解决方案文章来丰富知识库

将隐性知识转化为显性知识是知识管理成功的关键。这种转换需要不同技术人员和主题专家的详细输入。由于他们的工作已经排得满满的，可能没有时间记录他们的解决过程并为知识库撰写解决方案文章。

幸好有了生成式人工智能功能，技术人员可以将各种信息（如工单备注、附件或工作日志中的数据）转换为综合文章，从而加快撰写过程。基于先前对工单数据和其他解决方案文章的培训，语言模型可以从先前获取的知识中提取信息。然后利用这些信息生成详细的解决方案文章。

这简化了技术人员的写作过程，因为审查和修改生成的解决方案比从头开始起草要容易得多。为不同类型的工单创建复杂的知识文档可以帮助服务台逐步增强其知识库。

2. 知识发现： 通过填补语义空白改进知识搜索

要最大限度地利用知识库，首先需要优化知识内容发现。考虑到员工平均每天花费约 3.6 个小时搜索信息，在知识发现过程中节省的每一刻都是胜利。

语义鸿沟，即用户想要查找的内容与搜索结果之间的鸿沟，一直是静态知识管理的一个重大缺陷。传统系统依赖于僵化的关键词重叠，往往无法理解用户意图和具体语境。

这就是为什么知识管理系统必须提供直观的搜索功能，以帮助用户找到特定上下文的答案。借助生成式人工智能先进的自然语言处理能力，将搜索者的意图与相关回复进行匹配已成为可能。

由于语言模型旨在理解人类语言的细微差别，因此无论问题如何措辞，它们都能处理各种用户输入。因此，用户不再需要依赖特定的关键词或短语，知识搜索和发现变得更加自然和轻松。

3. 知识消费： 通过提供情境和个性化响应促进自助服务

自助服务一直被视为成功知识管理的终极目标之一。通过从传统的信息浏览方式转变为更直观的问答方式，具有高级对话功能的知识管理系统可以重新定义终端用户体验。

当用户因解决方案不明确或过于冗长而无法解决问题时，他们就会被迫向服务台提交工单。生成式人工智能可以在回复中提供相关文章的摘录或摘要，而不是将用户导向一堆知识文章并原封不动地提供给他们。

这样，用户就能快速掌握信息的精髓，而无需翻阅大量内容。如果终端用户能在这些生成的回复中找到答案，他们就更有可能避免向服务台求助。

结语

很明显，生成式人工智能可以显著提高企业改进和分享知识的能力，我们尚未充分探索生成式人工智能在企业用例中的所有可能性。但毫无疑问，通过将宝贵的企业数据与人工智能的强大功能无缝融合，我们即将迎来一个新的时代，在这个时代，知识将比以往任何时候都更具活力，更容易获取！

技术前沿拓展

前端开发，你的认知不能仅局限于技术内，需要发散思维了解技术圈的前沿知识。细心的人会发现，开发内部工具的过程中，大量的页面、场景、组件等在不断重复，这种重复造轮子的工作，浪费工程师的大量时间。

介绍一款程序员都应该知道的软件JNPF快速开发平台，很多人都尝试用过它，它是功能的集大成者，任何信息化系统都可以基于它开发出来。

这是一个基于 Java Boot/.Net Core 构建的简单、跨平台快速开发框架。前后端封装了上千个常用类，方便扩展；集成了代码生成器，支持前后端业务代码生成，实现快速开发，提升工作效率；框架集成了表单、报表、图表、大屏等各种常用的 Demo 方便直接使用；后端框架支持 Vue2、Vue3。如果你有闲暇时间，可以做个知识拓展。

看完本文如果觉得有用，记得点个赞支持，收藏起来说不定哪天就用上啦～