為什麼知識管理是 AI 成功的基礎？

提高準確性的一種方法是為AI提供正確的上下文

#性並減少幻覺。

在所有關於人工智慧如何徹底改變工作（使日常任務更有效率、更可重複，並增加個人努力）的對話中，人們很容易得意忘形：人工智慧不能做什麼？

儘管它的名字叫做生成式人工智慧，但是能夠創建圖像、程式碼、文字、音樂等的人工智慧，並非從無到有。人工智慧模型是根據提供的資訊進行訓練的，特別是對於大型的語言模型（LLM），通常需要大量的文字作為訓練資料。如果人工智慧在準確、最新和組織良好的資訊上接受訓練，它將傾向於給出準確、最新和相關的答案。麻省理工學院的研究表明，將知識庫整合到LLM中往往能夠提高輸出品質並減少錯誤。這意味著人工智慧和機器學習的進步並沒有取代對知識管理的需求，相反，它使得知識管理變得更加重要

品質進，品質出

在陳舊、不完整的資訊上訓練的LLM 容易產生“幻覺”，即不正確的結果，從稍微偏離基礎到完全不連貫。幻覺包括對問題的錯誤回答以及有關人物和事件的虛假資訊。

生成式人工智慧也適用於「垃圾輸入，垃圾輸出」的經典運算規則。您的 AI 模型的訓練資料對其至關重要。如果這些數據已經過時、結構不良或存在漏洞，人工智慧將開始產生誤導用戶的答案，為您的組織帶來麻煩甚至混亂

避免幻覺需要一套知識體系，即：

• 準確可信，資訊品質經過知識淵博的使用者驗證
• #隨著新資料/邊緣案例的出現，保持最新且易於刷新
• 上下文，這意味著它捕捉了尋求和提供解決方案的上下文
• #持續改進和自我維持

支持討論和協作的知識管理（ KM） 方法可以提高知識庫的質量，因為它允許您與同事合作審查AI 的回應並改進提示結構以提高答案品質。這種互動是人工智慧中強化學習的一種形式：人類將他們的判斷應用於人工智慧產生的輸出的品質和準確性，並幫助人工智慧（和人類）改進。

提出正確的問題

使用 LLM 時，查詢的結構會影響結果的品質。這就是為什麼提示工程（了解如何建立查詢以從 AI 中獲得最佳結果）正在成為一項關鍵技能，也是生成式 AI 可以幫助對話雙方的領域：提示和回應。

根據2023 年6 月的Gartner 報告《知識管理的解決方案路徑》，提示工程，即為人工智慧制定指令或問題的行為，本身正在迅速成為一項關鍵技能。以迭代、對話的方式與智慧助理交互，將提高知識工作者指導人工智慧完成知識管理任務的能力，並與人類同事分享所獲得的知識

利用AI 集中知識共享

獲取和分享知識對於知識管理實踐的蓬勃發展至關重要。 AI 驅動的知識擷取、內容豐富和 AI 助理可以幫助您向整個組織介紹學習和知識共享實踐，並將其嵌入日常工作流程中。

根據Gartner的知識管理解決方案路徑，產品類似於Stack Overflow for Teams可以與Microsoft Teams或Slack進行集成，以提供具有持久知識儲存的問答論壇。用戶可以直接在社群發布問題。答案會被投票贊成或反對，最佳答案會被固定為最高答案。所有已回答的問題都是可搜尋的，並且可以像任何其他知識來源一樣進行策劃。這種方法還有一個額外的優勢，即使知識共享成為工作流程的核心

根據Gartner的另一份報告《評估生成式AI如何改善開發人員體驗》（2023年6月），建議組織透過建立生成式AI增強開發實踐社區，收集和傳播使用生成式AI工具的成熟實踐，例如快速工程技巧和程式碼驗證方法。報告進一步建議組織透過學習和應用組織批准的工具、用例和流程，以確保獲得成功使用生成式人工智慧所需的技能和知識

注意複雜性懸崖

#生成式AI 工具非常適合新開發人員和希望學習新技能或擴展現有技能的經驗豐富的開發人員。但有一個複雜性懸崖：在某個點之後，人工智慧處理問題及其解決方案的細微差別、相互依賴性和完整上下文的能力就會下降

在最近的一期Stack Overflow播客中，Google Cloud Duet的產品經理Marcos Grappeggia表示，「LLM非常擅長增強開發人員的能力，讓他們能夠做得更多、行動更快。」他指出，這包括測試和嘗試超出舒適區的語言和技術。但是Grappeggia也警告說，LLM並不是日常開發人員的一個很好的替代品......如果你不理解你的程式碼，那仍然是失敗的關鍵

這個複雜的懸崖是你需要人類的地方，他們具有原創思維的能力和行使經驗判斷的能力。您的目標是製定知識管理策略，透過在人造知識上提煉和驗證人工智慧，利用人工智慧的巨大力量。

以上是為什麼知識管理是 AI 成功的基礎？的詳細內容。更多資訊請關注PHP中文網其他相關文章！