AI の成功にはなぜ知識管理が不可欠なのでしょうか?

AIに適切なコンテキストを提供することで、精度が向上し、幻覚が軽減されます。

AI が仕事に革命をもたらし、日常的なタスクをより効率的かつ反復可能にし、個人の努力を増強するという話が盛んに行われている中、AI にできないことは何か、という議論に夢中になりがちです。

名前に反して、画像、コード、テキスト、音楽などを作成できる生成 AI は、何もないところから作成することはできません。 AI モデルは入力された情報に基づいてトレーニングされますが、大規模言語モデル (LLM) の場合、通常は大量のテキストが対象となります。 AI が正確で最新かつ整理された情報に基づいてトレーニングされている場合、正確で最新かつ関連性のある回答を返す傾向があります。 MIT の研究によると、LLM に知識ベースを組み込むと、成果が向上し、幻覚が減少する傾向があることが示されています。つまり、AI と機械学習の進歩は、知識管理の必要性を置き換えるどころか、むしろ知識管理の重要性を高めているのです。

品質が入れば品質が出る

古くて不完全な情報に基づいて訓練された LLM は、「幻覚」、つまり、わずかに的外れなものから完全に支離滅裂なものまで、さまざまな誤った結果に陥りがちです。幻覚には、質問に対する誤った答えや、人物や出来事に関する誤った情報などが含まれます。

「ゴミを入れればゴミが出てくる」という古典的なコンピューティングのルールは、生成 AI にも当てはまります。 AI モデルは、提供されるトレーニング データに依存します。このデータが古かったり、構造化が不十分だったり、穴だらけだったりすると、AI はユーザーを誤解させるような回答を作り出し、組織にトラブルや混乱を引き起こすことになります。

幻覚を避けるには、次のような一連の知識が必要です。

• 正確で信頼性が高く、情報の品質は知識豊富なユーザーによって検証されています
• 新しいデータやエッジケースが出現しても、最新の状態を維持し、簡単に更新できます。
• 文脈的とは、解決策が求められ、提供される文脈を捉えることを意味します。
• 継続的な改善と自立

ディスカッションとコラボレーションをサポートするナレッジ マネジメント (KM) アプローチでは、同僚と協力して AI の応答を確認し、プロンプトの構造を改善して回答の品質を向上させることができるため、ナレッジ ベースの品質を向上させることができます。この相互作用は AI における強化学習の一形態です。人間は AI によって生成された出力の品質と精度について判断を下し、AI (および人間) の向上を支援します。

適切な質問をする

LLM を使用する場合、クエリの構造が結果の品質に影響します。そのため、プロンプト エンジニアリング (AI から最良の結果を得るためにクエリを構築する方法の理解) は重要なスキルとなりつつあり、生成 AI が会話のプロンプトと応答の両側で役立つ領域となっています。

ガートナーのレポート「ナレッジマネジメントのソリューションパス（2023年6月）」によると、「AIに対する指示や質問を作成するというプロンプトエンジニアリングは、それ自体が急速に重要なスキルになりつつあります。インテリジェントアシスタントと反復的かつ会話形式で対話することで、ナレッジワーカーがAIをガイドしてナレッジマネジメントタスクを完了し、獲得した知識を人間の同僚と共有する能力が向上します。」

AIを使用して知識共有を一元化

知識管理の実践を成功させるには、知識の獲得と共有が不可欠です。 AI 駆動型の知識キャプチャ、コンテンツ強化、AI アシスタントは、組織全体に学習と知識共有の実践を導入し、日常のワークフローに組み込むのに役立ちます。

ガートナーのナレッジ マネジメント ソリューション パスによると、「Stack Overflow for Teams などの製品は、Microsoft Teams や Slack と統合して、永続的なナレッジ ストレージを備えた Q&A フォーラムを提供できます。ユーザーはコミュニティに直接質問を投稿できます。回答は投票で決定され、最も優れた回答がトップ アンサーとして固定されます。回答されたすべての質問は検索可能で、他のナレッジ ソースと同様にキュレーションできます。このアプローチには、ナレッジ共有をワークフローの中心にするという利点もあります。」

ガートナーの別のレポート「ジェネレーティブ AI が開発者エクスペリエンスをどのように向上させるかの評価」（2023 年 6 月）では、組織が「ジェネレーティブ AI 強化開発の実践コミュニティを形成して、ジェネレーティブ AI ツールの使用に関する実証済みのプラクティス（ラピッド エンジニアリング手法やコード検証方法など）を収集して普及させる」ことを推奨しています。レポートではさらに、「組織が承認したツール、ユース ケース、プロセスを学習して適用することで、ジェネレーティブ AI を効果的に使用するために必要なスキルと知識を身に付ける」ことを推奨しています。

複雑さの崖に注意

生成 AI ツールは、新しいスキルを習得したり既存のスキルを拡張したりしたいと考えている新しい開発者と経験豊富な開発者の両方に最適です。しかし、複雑性の崖があります。ある時点を超えると、AI が問題とその解決策のニュアンス、相互依存性、および完全なコンテキストを処理する能力は低下します。

「LLM は、開発者がより多くのことをより速く実行できるようにするのに最適です」と、Google Cloud Duet のプロダクト マネージャーである Marcos Grappeggia 氏は、Stack Overflow ポッドキャストの最近のエピソードで述べています。これには、自分の快適ゾーン外の言語やテクニックをテストしたり実験したりすることが含まれます。しかし、Grappeggia 氏は、LLM は「日常的な開発者にとって最適な代替手段ではない...コードを理解していなければ、やはり失敗の原因となる」と警告しています。

この複雑性の崖っぷちでは、独創的な思考力と経験的判断力をもった人間が必要になります。あなたの目標は、人間が作り出した知識に基づいて人工知能を洗練し、検証することで、人工知能の驚異的な力を活用する知識管理戦略を開発することです。