知識管理系統(tǒng)與人工智能系統(tǒng)支持

　　摘要：支持知識管理系統(tǒng)的人工智能系統(tǒng)分為基于知識的專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和案例推理系統(tǒng)。表達(dá)和轉(zhuǎn)化隱性知識是人工智能系統(tǒng)的瓶頸。拓展知識價值鏈為動態(tài)循環(huán)模型，結(jié)合AI技術(shù)開發(fā)潛在性功能，將有助于解決隱性知識問題，形成動態(tài)的“知識螺旋”管理系統(tǒng)。

　　關(guān)鍵詞：知識管理系統(tǒng);人工智能系統(tǒng);人工智能;隱性知識;知識價值鏈

　　當(dāng)今的企業(yè)組織陷入到由德魯克(Drucker)定義的“全球知識社會”的漩渦之中。在這樣的環(huán)境之下，智能型組織都在爭求競爭優(yōu)勢，通過使用已有的專家和智能資源產(chǎn)生持續(xù)的向上推動力，達(dá)到利用知識的新水準(zhǔn)。如何獲取、掌握、重復(fù)利用組織已有的知識資源擺在了管理者的面前。

　　威格(Wiig)將這個管理行為形象地表述如下：“知識理念框架將所有的行為打包其中，它需要企業(yè)組織在持續(xù)發(fā)展的基礎(chǔ)上智能驅(qū)動。”野中郁次郎等學(xué)者已經(jīng)分析了智能型組織在創(chuàng)造知識過程中所扮演的角色，特別強(qiáng)調(diào)成功的組織總是那些創(chuàng)造新知識，并且在組織中廣范圍傳播知識的主體。組織快速地將知識注入到技術(shù)當(dāng)中，并且使用新技術(shù)進(jìn)行生產(chǎn)。這個過程與創(chuàng)新相融合，并在將來形成最終的競爭優(yōu)勢[1]。

　　人工智能論文： 人工智能背景下新型金融人才培養(yǎng)改革研究

　　1知識管理系統(tǒng)分類

　　從普遍意義而言，知識流程已經(jīng)通過編碼或者隱性的方式劃分類別，并作為組織發(fā)展的核心策略。但是顯性知識和隱性知識的價值明顯不同。如果是顯性知識，知識被編碼或者清晰刻畫下來，通過轉(zhuǎn)化被系統(tǒng)語言所采納。盡管名義上有法律的保護(hù)，但以往經(jīng)驗(yàn)會告訴競爭者，顯性知識并不具備長久的價值，以當(dāng)今的知識傳播速度，人們可以通過各種渠道快速掌握顯性知識。競爭者更希望尋找更有價值的隱性知識。相對而言，隱性知識在本質(zhì)上很難被清晰刻畫，進(jìn)一步來說，隱性知識保持了個性，較難形式化，也不容易獲取。因此，隱性知識被內(nèi)化并且自成體系。

　　內(nèi)化的知識如果經(jīng)過良好的體悟，將會變成常規(guī)化的獨(dú)特知識，并且會在企業(yè)執(zhí)行熟悉業(yè)務(wù)的基礎(chǔ)上體現(xiàn)出來，成為競爭力的關(guān)鍵要素。知識的創(chuàng)造過程會集中在隱性知識建構(gòu)和形式精細(xì)化兩個方面，更為重要的是要在這兩個方面形成交流。這個動態(tài)性的行為是一個社會化的序列進(jìn)程，會經(jīng)歷外部化、內(nèi)部化和組合化的過程，這些特征吻合了野中郁次郎提出的“知識的螺旋”的核心理念[2]。

　　然而，知識的復(fù)雜現(xiàn)象并不容易被隱性和清晰刻畫兩個方面的特征所囊括。知識系統(tǒng)分類包含了描述性、程序性、隱性、抽象性、專業(yè)性、清晰刻畫等特征，這些特征具有明顯的交叉狀態(tài)，而邏輯位于系統(tǒng)中心，通過理念、屬性、賦值的方法展現(xiàn)出來，并且可以應(yīng)用于系統(tǒng)中的其他分類。例如專業(yè)性知識可以輕而易舉地聯(lián)系到歸納推理，而抽象性知識更易于和演繹推理相關(guān)聯(lián)。這些關(guān)于隱性知識和清晰刻畫的分類是否會呈現(xiàn)彼此相互分離的狀況，或者是處于一種極端的連續(xù)狀況呢?這就需要認(rèn)識不同類型的專家診斷，并且聯(lián)系到以往經(jīng)驗(yàn)的知識。但有一點(diǎn)不能忽視，存在不同的路徑去概念化知識，也存在不同的表述形式。

　　例如傳聞、隱喻、示意圖，都是表述知識的路徑。知識管理蘊(yùn)含著識別不同表述路徑闡述相同知識碎片的情況，這需要通過輸入信息、分析文本和轉(zhuǎn)化程序以達(dá)到令人滿意的目的。人工智能系統(tǒng)可以通過知識系統(tǒng)分類達(dá)到管理知識的目的，但能夠提供多大程度的支持去捕捉和組織知識呢?這個問題關(guān)系到人們是否可以快速分享知識給交流區(qū)域的用戶。人工智能系統(tǒng)將通過獲取數(shù)據(jù)來支持知識價值鏈模型，并且會成為一種經(jīng)驗(yàn)部分存在于智能型組織當(dāng)中。

　　2人工智能系統(tǒng)支持

　　技術(shù)支持無論在知識獲取和創(chuàng)造領(lǐng)域還是在知識管理進(jìn)程方面都具有關(guān)鍵作用。因此，即使在人力資源具有優(yōu)勢的組織中，作為知識管理的組織者和促進(jìn)者，只要確立了知識管理系統(tǒng)，就必須全力思考管理與技術(shù)的相互影響問題。這提供了潛在的知識循環(huán)誘導(dǎo)因素，也被野中郁次郎定義為當(dāng)代智能型組織的核心進(jìn)程。在知識管理系統(tǒng)的文本中，人工智能系統(tǒng)所扮演的角色是具有潛在性的，并且擁有多種處理形式。這樣的系統(tǒng)期望執(zhí)行某些任務(wù)，但是并不會顯式編程。人工智能的特征主要集中在智能模擬和智能學(xué)習(xí)方面。知識管理系統(tǒng)中的人工智能系統(tǒng)從功能上主要分為基于知識的專家系統(tǒng)(KBES)、神經(jīng)網(wǎng)絡(luò)(NN)和基于案例的推理系統(tǒng)(CBR)。

　　2.1基于知識的專家系統(tǒng)

　　人工智能的專家系統(tǒng)有別于人類專家的經(jīng)驗(yàn)咨詢，也有別于人類專家運(yùn)用知識進(jìn)行決策的行為。這個系統(tǒng)為無專家的組織提供幫助。早在20世紀(jì)80年代中期，就有案例表明這樣的系統(tǒng)可以檢索一系列的商務(wù)運(yùn)營范圍。研究表明23%的英國商業(yè)可以使用類似這樣的系統(tǒng)進(jìn)行技術(shù)運(yùn)營和戰(zhàn)略分析[3]5-12。

　　所謂“以知識為基礎(chǔ)”包含了事件斷定和函數(shù)演算兩個方面。這兩方面緊密結(jié)合了推理引擎，體現(xiàn)了邏輯操作和推演回應(yīng)�？蛇x擇的知識存儲結(jié)構(gòu)是數(shù)據(jù)與操作規(guī)則同時作為客體對象，并將其設(shè)置在可傳遞特征的集合組中。特別是知識領(lǐng)域出現(xiàn)自然分層的時候，這種方法具有簡便性，語義網(wǎng)絡(luò)就為這種自然分層的知識提供了技術(shù)支持。推理規(guī)則的基礎(chǔ)必須是硬性規(guī)則，能夠適用于集合中的元素x，使得IF(x)，THEN(y)這樣的推理式有效。同時也必須保留探索方法，為有效判斷的邏輯規(guī)則提供參考。

　　這樣的方法也會使用模糊邏輯，在集合中詳細(xì)刻畫連續(xù)變量，成為傳統(tǒng)二值邏輯的補(bǔ)充。推理引擎所檢索的知識都是基于工作記憶中的信息，篩選適合的事件和推演規(guī)則，以適用的數(shù)學(xué)形式或論證形式進(jìn)行推理。這一步驟需要升級工作記憶庫，并且解釋選擇的數(shù)據(jù)和規(guī)則的原因。這個過程會創(chuàng)造新的知識和事件案例，生成了新的數(shù)據(jù)選擇和規(guī)則的循環(huán)。無論選擇還是合取，系統(tǒng)都可以獲取進(jìn)一步的信息或者是用戶先前問題的闡釋。這個進(jìn)程一直持續(xù)，直至產(chǎn)生最終輸出結(jié)果，整體的記憶軌跡都是聯(lián)系數(shù)據(jù)和事件的處理規(guī)則。最終，依據(jù)需要形成文檔。

　　2.2神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)具備的明顯優(yōu)勢在于對不完整數(shù)據(jù)進(jìn)行概括和抽象。網(wǎng)絡(luò)包含了以自然數(shù)計(jì)數(shù)的節(jié)點(diǎn)，類似于生物大腦的中樞，通過測算信息鏈結(jié)合在一起，模糊邏輯非常適宜這樣的環(huán)境。通過輸入信息和神經(jīng)元之間的相互影響產(chǎn)生輸出結(jié)果，一般而言是一種復(fù)雜的函數(shù)。神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)在于能夠輸出最終決策結(jié)果，如果面對同樣的輸入信息集合，網(wǎng)絡(luò)測算至少要與人類專家系統(tǒng)的測算功能持平，很多時候會優(yōu)于人類專家系統(tǒng)的測算。這個成績基于多次的重復(fù)學(xué)習(xí)循環(huán)，包括系統(tǒng)中輸入集合與對應(yīng)知識的運(yùn)用。節(jié)點(diǎn)之間的箭頭代表測算鏈，判斷進(jìn)程體現(xiàn)的是最優(yōu)化的路徑，內(nèi)置于系統(tǒng)之中。神經(jīng)網(wǎng)絡(luò)提供的答案盡量減少與理想型答案之間的誤差。

　　進(jìn)程會在提供不同的數(shù)據(jù)集合中反復(fù)演算，直至出現(xiàn)持續(xù)穩(wěn)定性或者可接受的準(zhǔn)確答案。這個階段的熟練性系統(tǒng)會對輸入相似集合的演算形成有效的潛在性幫助。神經(jīng)網(wǎng)絡(luò)與知識基礎(chǔ)的專家系統(tǒng)不同之處在于并沒有內(nèi)置清晰刻畫的知識庫，只是輸入了數(shù)據(jù)之間假設(shè)的經(jīng)驗(yàn)聯(lián)系，功能函數(shù)產(chǎn)生了復(fù)雜的輸出結(jié)果，這都是基于前置的經(jīng)驗(yàn)學(xué)習(xí)。

　　2.3案例推理系統(tǒng)基于案例的推理是人工智能可選擇的另外一個技術(shù)，比如CBR系統(tǒng)，這是基于原生數(shù)據(jù)(包括曾經(jīng)的案例和解決方法)的推理方法，而并非基于清晰化的事件和邏輯規(guī)則。與神經(jīng)網(wǎng)絡(luò)不同之處在于此系統(tǒng)并不是操縱輸入信息或者找出信息點(diǎn)之間的聯(lián)系。

　　它只是選擇和展現(xiàn)有幫助的潛在案例，然后配位描述性的問題，并將這種形式提交給新的案例。這種進(jìn)程在用戶的提問與回答中反復(fù)迭代，持續(xù)發(fā)展的新案例被附加到存在的數(shù)據(jù)庫中，以備未來之需。

　　3挑戰(zhàn)與解決方案

　　盡管強(qiáng)調(diào)人工智能的功能性，但是這些系統(tǒng)依然存在一些質(zhì)疑，特別是跟真正的生物大腦作比較的時候，擅自調(diào)用網(wǎng)絡(luò)節(jié)點(diǎn)對應(yīng)多樣化的問題是否合適?這需要一個充分完備的數(shù)據(jù)庫，而在現(xiàn)實(shí)中這樣的數(shù)據(jù)庫通常難于實(shí)現(xiàn)，這將導(dǎo)致測算鏈條的準(zhǔn)確性大打折扣。即使未來真的出現(xiàn)了純粹經(jīng)驗(yàn)集合的數(shù)據(jù)庫，也不能保證神經(jīng)網(wǎng)絡(luò)會測算一切可滿足性的行為，畢竟紛繁復(fù)雜的市場存在正在進(jìn)行時的經(jīng)驗(yàn)需要學(xué)習(xí)，這將導(dǎo)致不切合實(shí)際的外延產(chǎn)生。

　　而人類則不同，人類的大腦可以清晰意識到周邊環(huán)境正在發(fā)生變化，這是不需要附加任何機(jī)械語句條件的。正如亨德里克斯(Hendriks)和威爾森(Vriens)指出，知識是知識專家系統(tǒng)和知識管理系統(tǒng)的共同基礎(chǔ)。而時下流行的知識管理理念在人工智能和專家系統(tǒng)方面具有先進(jìn)性，但對隨后發(fā)展的影響卻是不利的[4]。這等同于是說正在發(fā)展的專家系統(tǒng)過度強(qiáng)調(diào)技術(shù)層面，而對知識管理的根源，特別是接近哲學(xué)和人力資源的部分視而不見。因此，當(dāng)務(wù)之急是要在隱性知識管理領(lǐng)域里找到破解這個對抗的方法，并且將其內(nèi)置于人工智能框架之內(nèi)[5]。

　　這反映了格拉澤(Glaser)和施特勞斯(Strauss)以歸納和演繹循環(huán)進(jìn)程為特征的普遍性理論[6]23-25。他們的理論對于研究智能型組織的核心業(yè)務(wù)進(jìn)程提供了研究框架。數(shù)據(jù)的收集來自于法國Bay�瞤oint技術(shù)中心，這個中心是國際計(jì)算機(jī)互聯(lián)網(wǎng)公司Bay�睳etworksInc.的分支機(jī)構(gòu)，為企業(yè)法人、服務(wù)供應(yīng)商、電信運(yùn)營商提供完備的服務(wù)產(chǎn)品線。其內(nèi)容包括：ATM交換技術(shù)、共享媒體、IP服務(wù)以及其他網(wǎng)絡(luò)應(yīng)用設(shè)備，以上這些融入智能組織所適用的互聯(lián)網(wǎng)發(fā)展戰(zhàn)略。

　　3.1知識價值鏈的階段

　　智能型組織核心業(yè)務(wù)在于知識價值鏈理念，主要是應(yīng)對網(wǎng)絡(luò)中心的質(zhì)詢。這個業(yè)務(wù)的主要流程是通過知識數(shù)據(jù)檢索原始信息，其中包含了5個階段，并且附加相互鏈接的價值。(1)查詢。這個功能主要是編輯所需求的原始信息文檔。展開普遍式的詢問，其階段包括整體文件檢索或呈現(xiàn)關(guān)鍵詞檢索，其核心特征是所有的進(jìn)程必須以時效性和便捷性的方式完成。(2)篩選。這個階段主要是篩選來自于選擇文本的信息和提取特殊知識的任務(wù)信息。包括運(yùn)用持續(xù)性敘述序列標(biāo)準(zhǔn)進(jìn)行分類，確定需求信息的準(zhǔn)確位置。(3)格式化。這個階段屬于基礎(chǔ)評估，質(zhì)詢哪個主體需要進(jìn)入獲取信息端口。目的在于提供充分的變量，建設(shè)溝通有效性文本，探求可能受關(guān)聯(lián)影響的主體。這個進(jìn)程包括典型文本格式化、文本檢索、文本展現(xiàn)和構(gòu)圖、多媒體及表格程序等等。便利性在于允許用戶便捷性確定重要信息之間的關(guān)聯(lián)。

　　(4)展望。格式化的結(jié)果必須能夠被個人或群體用戶更高效使用。這就包含了使用何種格式化文本在最適宜的媒介上傳輸。選項(xiàng)有報(bào)告、郵件概要、個人數(shù)據(jù)庫、聯(lián)系文本、內(nèi)網(wǎng)頁面、傳真、電話、紙質(zhì)稿等等。如果在整個進(jìn)程中需要添加潛在用戶確認(rèn)，那么在格式化階段，甚至是查詢階段都需要進(jìn)行迭代設(shè)置。(5)反饋。這個階段緊密連接知識循環(huán)。因?yàn)榻M織若要在信息轉(zhuǎn)化為知識中獲取經(jīng)驗(yàn)，就必須有效發(fā)展功能函數(shù)，爭取進(jìn)一步獲取未來需求的知識。反饋?zhàn)鳛樽罱K環(huán)節(jié)，將會使前4個階段納入新一輪的知識循環(huán)當(dāng)中。以上5個階段聚合在一起構(gòu)造了知識價值鏈模型，類似于哈夫曼(Huffma)提出的知識循環(huán)理念[7]。價值鏈模型將積攢的信息轉(zhuǎn)化為知識，通過反饋階段的鏈接，能夠升級組織的工作記憶庫，反過來促進(jìn)組織的學(xué)習(xí)能力提升。

　　3.2人工智能系統(tǒng)的標(biāo)桿分析

　　沒有相應(yīng)的技術(shù)支持，潛在性的知識很難達(dá)到最優(yōu)化的操作。人工智能能否成為知識管理的有效支持技術(shù)噬待解答。為了解決這一問題，Bay-point技術(shù)中心采用標(biāo)桿分析法，對于現(xiàn)存的人工智能系統(tǒng)進(jìn)行評估，評估對象包括Backweb、FulcrumKnowledgeNetwork、KnowledgexEnterprise等幾個代表性的系統(tǒng)。評估所采用的標(biāo)準(zhǔn)是知識價值鏈模型的線上應(yīng)用部分，測試幾個系統(tǒng)如何應(yīng)對客戶咨詢。

　　測試的結(jié)果是3款系統(tǒng)都可以對組織提供一些幫助，能夠傳遞客戶價值并捕捉有效信息。但是并沒有足夠的證據(jù)表明，這些系統(tǒng)可以在組織的核心業(yè)務(wù)層中捕捉隱性知識，也不能形成顯著的特征描述。而真正的價值就在于隱性知識，這是內(nèi)置的形式化和信息交流的問題，而隱性知識通常是面對面交流的自然語句。人與人之間的交流互動保持了涵蓋知識的唯一源泉。典型的Bay�瞤oint知識管理文本需要有一線工程師輔助解答客戶咨詢�？蛻粢苍S會質(zhì)疑，通過自動流程產(chǎn)生的人工智能分析結(jié)果是否為最優(yōu)選擇。

　　基本的搜索是使用瀏覽器前端參數(shù)引導(dǎo)鏈接的文本。基于知識的人工智能專家系統(tǒng)雖然能夠解決這一問題，但是如果相似案例出現(xiàn)，那么系統(tǒng)會直接檢索記憶庫，而不是附加新的知識內(nèi)容。尋找和篩選配位原始咨詢的信息，必須使用適用的格式化方法。神經(jīng)網(wǎng)絡(luò)可以支持這一功能，但是需要交代信息的背景。而信息背景又需要前置案例，要和基于案例推理的系統(tǒng)結(jié)合使用。因此，從必要性角度而言，所謂“專家咨詢”必須可以直接訪問，也就是說需要更深層次的隱性知識轉(zhuǎn)化進(jìn)程，才可以獲取完備性的信息。

　　3.3知識價值鏈動態(tài)模型

　　在分析了純粹的人工智能系統(tǒng)對于知識價值鏈支持的短板之后，就需要拓展研究知識輔助系統(tǒng)和智能代理服務(wù)器。聚焦的難題是如何動態(tài)應(yīng)對客戶需求，典型的做法是發(fā)展動態(tài)文本技術(shù)支持服務(wù)進(jìn)程，對客戶需求進(jìn)行進(jìn)一步解釋和建議。這個技術(shù)結(jié)合了人工智能和人類思考的環(huán)節(jié)，并非是單純的人工智能方案，大大加強(qiáng)了問題解決能力，提高了使用者的接受程度。類似于這種協(xié)作操作系統(tǒng)可以概況出一種特征，即“IA>AI”。

　　這意味著人類心靈附加機(jī)械擴(kuò)充原有的人工智能系統(tǒng)，在效益上超越了只是模仿人類心靈的人工智能系統(tǒng)。將形式化的清晰刻畫的機(jī)械執(zhí)行知識與使用者表述的隱性知識結(jié)合起來，超越了兩者之一的單獨(dú)運(yùn)行。結(jié)論及展望當(dāng)前國際競爭形勢下，知識被認(rèn)為是能夠產(chǎn)生持續(xù)競爭優(yōu)勢和最具價值的戰(zhàn)略性資源[11]，有效的知識獲取作為企業(yè)創(chuàng)新的基礎(chǔ)和創(chuàng)新過程的開端，是企業(yè)創(chuàng)新能力提升的關(guān)鍵[12]。

　　知識管理系統(tǒng)強(qiáng)調(diào)人類視角的隱性知識，在智能型組織中已經(jīng)成為獲取競爭力的關(guān)鍵要素。但是，知識管理同樣需要人工智能提供的信息技術(shù)，用以經(jīng)營知識、分享知識。認(rèn)識到技術(shù)的局限性十分重要，特別是管理隱性知識方面，這涉及到知識管理復(fù)雜性的動態(tài)進(jìn)程。知識管理進(jìn)程通過知識價值鏈清晰刻畫出來，人工智能的潛在作用和人機(jī)交互綜合系統(tǒng)拓展了知識價值鏈，成為動態(tài)的循環(huán)系統(tǒng)。

　　加強(qiáng)知識價值鏈動態(tài)循環(huán)，內(nèi)置人工智能系統(tǒng)，將是獲取潛在競爭力的重要環(huán)節(jié)。這種內(nèi)置人工智能的綜合系統(tǒng)正在類似Bay�瞤oint這樣的智能組織中發(fā)揮著重要作用。知識價值鏈動態(tài)循環(huán)系統(tǒng)體現(xiàn)了知識螺旋理念，綜合了人工智能系統(tǒng)，表達(dá)了各種知識集合，涉及人類的隱性知識，具備先進(jìn)性。更為重要的是，這種動態(tài)循環(huán)系統(tǒng)為未來的潛在性知識學(xué)習(xí)提供了一個分支，反映了拓展知識價值鏈在智能輔助技術(shù)方面的重要性，提供了知識管理方面的人工智能系統(tǒng)支持研究。將來的研究可以細(xì)化知識價值鏈的各個階段，為應(yīng)用和拓展知識價值鏈提供更多的經(jīng)驗(yàn)文本。

　　參考文獻(xiàn)

　　[1]WIIGKM.Societalknowledgemanagementintheglobalisedecono�瞞y[J].InternationalJournalofAdvancedMediaandCommunica�瞭ion，2006(2)：172��192.

　　[2]NONAKA.Afirmasadialecticalbeing：towardsadynamictheoryofafirm[J].IndustrialandCorporateChange，2002(11)：995��1009.

　　[3]SIMONSGL.Biologyofcomputerlife：survival，emotionandfreewill[M].NewYork：BirkhauserBostonInc.，2012.

　　[4]PASCALWM.Theefficiencyofmultimedialearningintooldage[J].TheBritishJournalofEducationalPsychology，2004(4)：489��505.

　　[5]胡玉寧，朱學(xué)芳.基于互信息的三螺旋知識耦合系統(tǒng)的協(xié)同性研究[J].情報(bào)理論與實(shí)踐，2019(12)：135��141.

　　作者：尹飛

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/28423.html