Per ottenere i risultati desiderati, l’AI ha bisogno di molto più dei dati. Servono anche significato, contesto, relazioni, regole di business e conoscenze affidabili.
Da qui nasce il crescente interesse per ontologie, knowledge graph e livelli semantici. Fin qui, tutto bene, ma queste tecnologie funzionano al meglio quando poggiano su una chiara comprensione delle conoscenze di cui l’azienda ha realmente bisogno. Per costruire un’ontologia, occorre capire quali conoscenze contano di più. E un knowledge graph offre il massimo valore quando si sa quali concetti, decisioni, regole ed eccezioni deve rappresentare.
In altre parole, bisogna partire dalle basi. E per individuare, acquisire, definire le priorità e governare la conoscenza in modo coerente e replicabile, serve un modello operativo della conoscenza.
Fornire all’AI le conoscenze giuste, non tutte le conoscenze
La conoscenza aziendale è distribuita tra database, sistemi operativi, applicazioni, dashboard, documenti, policy, procedure, video, note delle riunioni, canali di collaborazione e, soprattutto, il know-how dei dipendenti. Può essere accurata e preziosa, ma può anche essere obsoleta o contraddittoria.
Fare in modo che l’AI riesca a interpretarla richiede però molto più che raccogliere documenti, intervistare esperti, collegare sistemi e caricare tutto in un repository. L’AI deve sapere quali fonti sono affidabili, quali regole si applicano e in che modo i concetti sono collegati tra loro.
Un approccio più efficace consiste quindi nel creare un modello di criticità della conoscenza che valuti ogni fonte in base a valore, costo di accesso, rischio e volatilità. Un documento di policy che determina la conformità normativa, ad esempio, sarà probabilmente più critico di una descrizione generica di un processo. Allo stesso modo, una metrica presente in una dashboard è utile solo se la sua definizione e la sua data lineage sono chiare.
Inizia stabilendo cosa conta di più:
- Su quale dominio aziendale o caso d’uso concentrarsi?
- Quali decisioni, workflow o risultati si vogliono migliorare?
- Quali fonti di conoscenza sono più importanti per questi risultati? Sono affidabili, accessibili e adeguatamente governate?
L’obiettivo è identificare le conoscenze più rilevanti, affidabili e riutilizzabili per uno specifico risultato aziendale. A partire da queste, è possibile apprendere rapidamente e progettare fin dall’inizio in un’ottica di scalabilità.
Collegare workflow, dati e decisioni
Molte iniziative di AI partono dal presupposto che il workflow sottostante sia già ben compreso. In realtà, spesso non è così. I processi possono essere documentati solo in parte e le conoscenze critiche spesso risiedono esclusivamente nell’esperienza dei dipendenti. Team diversi possono persino utilizzare nomi differenti per indicare lo stesso concetto aziendale.
Rendere la conoscenza riutilizzabile e governabile significa collegare tre prospettive complementari:
1. La prospettiva di workflow, dati e sistemi: comprende attività, ruoli, sistemi, asset di dati, documenti, report, passaggi di consegne e dipendenze che mostrano come viene effettivamente svolto il lavoro. Risponde a domande come: quali attività vengono svolte? Chi le svolge? Quali sistemi vengono utilizzati? Quali dati vengono utilizzati e prodotti? Dove avvengono i passaggi di consegne?
2. La prospettiva della conoscenza operativa: comprende regole, decisioni, know-how tacito, eccezioni, soluzioni alternative, controlli di qualità e casi di riferimento che spiegano in che modo le persone applicano il proprio giudizio nella pratica. Risponde a domande come: come fanno le persone a sapere cosa devono fare? Quali regole vengono applicate? Dove si verificano le eccezioni? Quale capacità di giudizio è necessaria? Quali conoscenze distinguono una persona esperta da una alle prime armi?
3. La prospettiva della governance: comprende ownership, validazione, tracciabilità, versioning, utilizzi consentiti dell’AI e controlli che mantengono le conoscenze aggiornate e, quindi, sicure da utilizzare. Risponde a domande come: chi è responsabile di questa conoscenza? Chi l’ha validata? Qual è la fonte delle evidenze? Quando deve essere riesaminata? L’AI può utilizzarla direttamente oppure è necessaria un’approvazione human-in-the-loop?
Integrare queste tre prospettive trasforma l’acquisizione della conoscenza da un’attività di consulenza una tantum a una pratica replicabile e scalabile.
Scegliere oggetti standard per rendere la conoscenza riutilizzabile
Se ogni team documenta le conoscenze in modo diverso, riutilizzarle diventa difficile.
Un modello a oggetti comune, come suggerisce il nome, offre un metodo condiviso per descrivere e collegare le conoscenze che l’organizzazione deve riutilizzare. La conoscenza relativa ai workflow può essere strutturata intorno a oggetti riutilizzabili come workflow, attività, ruoli, sistemi, asset di dati, decisioni, regole, eccezioni e controlli. Occorre poi definire le relazioni tra questi oggetti: un workflow contiene attività; un’attività viene svolta da un ruolo; una decisione dipende da una regola; un sistema produce dati; un controllo governa un processo.
Questa struttura facilita l’individuazione delle conoscenze fin dal primo giorno e, allo stesso tempo, crea un ponte tra business e tecnologia. I team di business possono riconoscere workflow, regole e decisioni, mentre i team che si occupano dei dati possono collegare questi oggetti agli asset di dati, alla lineage e alle regole di qualità. I team AI possono utilizzarli per creare pacchetti di contesto, pattern di retrieval, istruzioni per gli agenti e criteri di valutazione.
La chiave è non rendere il modello eccessivamente complesso. È sufficiente creare una struttura che consenta di riutilizzare, nel caso d’uso successivo, le conoscenze acquisite in quello precedente.
Utilizzare workflow knowledge card per garantire coerenza e governance
Un modo pratico per costruire un modello a oggetti comune consiste nell’utilizzare workflow knowledge card. Ogni scheda acquisisce una singola attività, decisione, passaggio di consegne o eccezione in un formato standard.
Una scheda può includere il nome dell’attività, il workflow di appartenenza, il ruolo responsabile, input e output, i sistemi utilizzati, gli elementi di dati, i documenti, le regole di business, la conoscenza tacita, le eccezioni comuni, i controlli, il responsabile, le criticità, le opportunità legate all’AI, lo stato di validazione, la tracciabilità delle fonti e la data di revisione.
L’utilizzo di una struttura standard crea coerenza tra i diversi workflow e facilita la revisione, la validazione e la governance delle conoscenze. Supporta inoltre la definizione delle priorità, consentendo di valutare ogni scheda in base al valore per il business, al rischio, alla rilevanza per l’AI e al livello di preparazione in termini di governance.
Questo approccio favorisce anche il riutilizzo. Ad esempio, regole, decisioni, eccezioni e dipendenze dai dati possono essere condivise tra diversi workflow, mentre ownership, validazione, tracciabilità e cicli di revisione diventano parte integrante dell’asset di conoscenza stesso.
Utilizzare un linguaggio comune per trasformare la documentazione in dati
La documentazione tradizionale è difficile da confrontare perché ogni team descrive il proprio lavoro in modo diverso. Un vocabolario controllato risolve questo problema fornendo un elenco standard di termini da utilizzare per classificare workflow, informazioni e opportunità legate all’AI, ad esempio:
- Le attività possono essere classificate come raccolta, validazione, approvazione, riconciliazione o reporting.
- La conoscenza può essere classificata come regola di business, euristica, soluzione alternativa, policy o controllo di qualità.
- L’utilizzo dei dati può essere classificato come input, riferimento, calcolo o evidenza di audit.
- Le eccezioni possono essere classificate come dati mancanti, conflitto, soluzione alternativa manuale o problema di conformità.
- Le opportunità legate all’AI possono essere classificate come recupero, sintesi, validazione, spiegazione o raccomandazione.
Un vocabolario controllato consente inoltre di analizzare la conoscenza nell’intera organizzazione. È possibile identificare dove si concentrano le decisioni manuali, dove le eccezioni si verificano ripetutamente, dove esistono problemi di qualità dei dati, dove i controlli sono deboli e dove l’AI può apportare valore in modo sicuro.
È così che la documentazione si trasforma in conoscenza strutturata, misurabile e riutilizzabile.
Eseguire la due diligence sulla conoscenza
Non tutte le fonti di conoscenza sono pronte per l’AI. Ogni fonte dovrebbe essere innanzitutto sottoposta a una due diligence della conoscenza per valutarne qualità, ownership, aggiornamento, completezza, coerenza, status di fonte autorevole e rischio:
- Le fonti di dati devono essere valutate in termini di ownership, stewardship, lineage, regole di qualità e mapping semantico.
- I documenti devono essere valutati in termini di struttura, controllo delle versioni, stato di approvazione e allineamento con le pratiche attuali.
- La conoscenza tacita deve essere validata da più esperti e collegata a esempi reali.
- Le regole e le decisioni devono essere valutate in termini di allineamento alle policy, gestione delle eccezioni e auditabilità.
Questo esercizio aiuta a stabilire se una fonte può essere utilizzata e a individuare eventuali problemi da risolvere prima di farlo. Ad esempio, alcune fonti possono essere preziose ma richiedere una migliore definizione dell’ownership, documentazione aggiornata, definizioni più chiare o controlli di qualità più rigorosi prima di poter supportare l’AI in modo sicuro.
Integrare la governance della conoscenza fin dalla progettazione
Se prima si acquisisce la conoscenza e solo successivamente si pensa alla governance, mantenerla affidabile e aggiornata diventa molto più difficile. La governance deve essere integrata in ogni asset di conoscenza fin dall’inizio.
Ogni asset deve avere un responsabile chiaramente identificato, uno stato di validazione, la tracciabilità delle fonti, date di revisione, uno storico delle versioni e autorizzazioni di utilizzo definite. Deve inoltre specificare se l’AI può utilizzare direttamente la conoscenza per il retrieval, le raccomandazioni o altri scopi e quando è necessaria una revisione umana.
La governance deve includere controlli continui, come verifiche dell’aggiornamento e della completezza, rilevamento delle contraddizioni, mapping delle fonti autorevoli, monitoraggio del drift e workflow di approvazione.
È qui che la governance della conoscenza integra la data governance, pur trattandosi di due ambiti distinti. La data governance si concentra su asset di dati, ownership, qualità, lineage e controlli. La governance della conoscenza estende questi principi al significato di business, alle regole, ai processi e al contesto dell’AI. In un’organizzazione che utilizza l’AI sono necessarie entrambe.
Partire da un caso d’uso per costruire un’architettura della conoscenza scalabile
Un modo pratico per iniziare consiste nello scegliere un dominio aziendale ad alta priorità e un singolo caso d’uso. Questo può essere utilizzato per definire l’architettura della conoscenza e il modello di governance.
Poiché il risultato comprende strutture e componenti riutilizzabili, il caso d’uso successivo non dovrà ripartire da zero. Sarà possibile basarsi sugli asset di conoscenza già governati, riutilizzare entità e regole di business comuni, estendere i mapping esistenti, adattare i pacchetti di contesto e aggiungere soltanto ciò che è nuovo.
È così che le iniziative legate alla conoscenza possono scalare: non cercando di acquisire tutto in una volta, ma costruendo progressivamente asset di conoscenza riutilizzabili.
Il futuro è nella produzione governata della conoscenza
Le nuove tecnologie possono aiutare a estrarre concetti, suggerire ontologie, classificare documenti, valutare la qualità, rilevare contraddizioni e automatizzare le attività di stewardship. Si tratta di funzionalità preziose, che tuttavia non sostituiscono la necessità di un modello operativo rigoroso.
Standardizzando il modo in cui la conoscenza viene individuata, validata, governata, riutilizzata e applicata, è possibile superare gli esperimenti isolati di AI e orientarsi verso sistemi di AI che comprendono meglio il business e continuano a migliorare nel tempo.
COSA FARE ORA
Scopri di più sui servizi AI di NTT DATA per sapere come possiamo aiutarti a integrare operativamente l’AI in tutta la tua organizzazione.