Практическое руководство по внедрению системы управления знаниями на основе ИИ
В последние годы управление знаниями с использованием искусственного интеллекта становится одним из наиболее востребованных направлений цифровой трансформации бизнеса. Особенно заметен интерес к системам, использующим интеллектуальных агентов для поиска, анализа, структурирования и предоставления корпоративной информации.
И это закономерно. В корпоративных системах – SharePoint, Microsoft Teams и других платформах – ежедневно накапливаются тысячи документов, инструкций, регламентов и переписки. Их обработка, поиск, актуализация, подготовка кратких сводок и другие однотипные задачи требуют значительных трудозатрат. Сегодня технологии искусственного интеллекта уже позволяют автоматизировать большую часть этой работы, освобождая сотрудников от рутинных операций и позволяя сосредоточиться на задачах, требующих профессиональной экспертизы и принятия решений.
Если в вашей организации накоплен большой объём корпоративных знаний, уже сегодня есть потенциал для внедрения интеллектуальной системы управления знаниями. В этом руководстве мы рассмотрим, как правильно внедрить такую систему, какие этапы необходимо пройти и на что обратить внимание при реализации проекта.
Что такое управление знаниями с использованием ИИ?
ИИ в управлении знаниями позволяет по-новому работать с большими объёмами корпоративной информации, которые распределены по разным системам, документам и внутренним базам компании.
За счёт взаимодействия на естественном языке ИИ помогает собирать и структурировать знания, быстро находить релевантную информацию и извлекать ключевые выводы из базы знаний. Такие возможности стали доступны благодаря развитию нескольких направлений:
- генеративного ИИ и больших языковых моделей (LLM), способных учитывать контекст;
- обработки естественного языка, которая позволяет точно интерпретировать запросы пользователей;
- машинного обучения (ML), выявляющего закономерности в документах и данных;
- агентного ИИ, который может самостоятельно связывать, обновлять и использовать корпоративные знания в разных системах.
В корпоративной среде решения для управления знаниями с использованием ИИ чаще всего представлены в трёх форматах:
ИИ-агенты, встроенные в корпоративные системы, которыми сотрудники уже пользуются: системы управления взаимоотношениями с клиентами (CRM), системы управления ресурсами предприятия (ERP) и другие рабочие платформы.
Диалоговые системы искусственного интеллекта, интегрированные в инструменты совместной работы, корпоративные порталы или сайты для ответа на типовые вопросы, сопровождения рабочих процессов и поиска нужной документации.
Централизованные порталы знаний, дополненные интеллектуальным поиском и рекомендательными механизмами на основе искусственного интеллекта.
Агентный ИИ для управления знаниями: ключевые области автоматизации и примеры применения
Если генеративный ИИ сделал поиск нужной информации более удобным, то агентный ИИ выводит управление знаниями на новый уровень. Он превращает его в систему, которая способна самостоятельно выполнять действия от имени пользователя. Поэтому многие процессы управления знаниями особенно хорошо подходят для такой автоматизации.
Сопровождение базы знаний
Ручное сопровождение базы знаний требует значительных затрат времени и повышает нагрузку на сотрудников. ИИ может взять большую часть этой работы на себя.
Автоматизированный сбор знаний из различных источников неструктурированных данных: протоколов совещаний, обработанных обращений в службу поддержки, внутренних обсуждений, журналов изменений в системах разработки и других корпоративных материалов.
Автоматическая классификация и маркировка материалов. Технологии обработки естественного языка анализируют новое и существующее содержимое базы знаний, автоматически присваивая ему необходимые категории и метки и обеспечивая единообразие.
Актуализация базы знаний. ИИ выявляет устаревшие, дублирующиеся или отсутствующие материалы, помечает их для проверки либо предлагает варианты обновления.
Интеллектуальный поиск и предоставление информации
За последние несколько лет поиск информации существенно изменился. Вместо того чтобы обращаться к разным ИИ-помощникам или самостоятельно просматривать внутреннюю документацию компании, сотрудники могут практически мгновенно получать необходимую информацию непосредственно из корпоративной базы знаний.
Семантический поиск на основе технологий обработки естественного языка понимает смысл запроса, а не только отдельные ключевые слова, благодаря чему предоставляет ответы, соответствующие контексту.
Автоматическое создание кратких сводок позволяет быстро ознакомиться с содержанием объёмных документов или объединить информацию из нескольких источников.
Персонализированное предоставление информации позволяет рекомендовать пользователям материалы с учётом их должностных обязанностей, предыдущих действий и текущего рабочего контекста, например во время обработки обращения клиента.
Проактивная поддержка и самостоятельный поиск информации
Информация, за которой раньше приходилось обращаться к документам или коллегам, теперь могут быть доступны сотрудникам именно тогда, когда они необходимы.
Автоматическая генерация ответов и рекомендаций. Диалоговые системы на базе ИИ и виртуальные помощники позволяют круглосуточно отвечать на типовые вопросы пользователей, снижая нагрузку на службу поддержки.
Анализ пробелов в базе знаний. Большие языковые модели (LLM) выявляют темы, по которым пользователям не хватает информации или существующие материалы требуют уточнения.
Выявление тенденций и закономерностей. Алгоритмы ИИ анализируют большие объёмы данных и помогают обнаруживать скрытые закономерности и новые знания.
Преимущества ИИ в управлении знаниями на практических примерах
Управление знаниями с использованием ИИ даёт бизнесу сразу несколько преимуществ. Конкретный эффект зависит от сценария применения, однако в корпоративной практике чаще всего проявляются следующие результаты.
| Преимущество | Пример |
| Повышение продуктивности сотрудников | Крупная компания совместно с IBM создала корпоративную платформу управления знаниями на основе ИИ для генерации и систематизации материалов. Через год внутреннего использования команда из пяти сотрудников и ИИ-помощника KIRA накопила около 2 000 статей объёмом примерно 500 000 слов в корпоративной базе знаний. Статистика использования показывает, что каждый сотрудник в среднем читает около 9,3 статьи и пишет около 0,9 статьи в день, поскольку ключевые аспекты работы компании документируются в единой системе. После внедрения платформы был зафиксирован рост продуктивности сотрудников в 3,8 раза. |
| Улучшение поиска и повторного использования знаний | Производитель электромобилей интегрировал генеративный ИИ Gemini с сервисом Google Workspace, что позволило сотрудникам быстрее проводить исследования, осваивать сложные темы и ускорять развитие профессиональных навыков. |
| Ускорение принятия решений | Использование инструмента на основе ИИ NotebookLM в компании – производителе электромобилей помогает сокращать циклы принятия решений. За счёт уменьшения количества повторяющихся вопросов и быстрого объединения нужной информации сотрудники тратят меньше времени на сбор фактов. Благодаря этому решения – от устранения технических проблем до планирования проектных решений – принимаются быстрее, поскольку необходимые знания становятся доступны практически сразу. |
| Экономия времени и затрат | Передача первичной обработки обращений службы поддержки многоагентной системе ИИ позволила онлайн-ретейлеру сократить время обработки запросов в 4 раза и уменьшить время первого ответа на 75% без расширения штата службы поддержки. |
| Более быстрая адаптация и обучение сотрудников | Ретейлер премиального сегмента модной индустрии создал внутреннего ИИ-помощника для работы со знаниями на основе сервиса AWS Bedrock, моделей генеративного ИИ Titan и Claude 3. Решение используют шесть команд и около 300 сотрудников, которые могут быстро получать информацию через единый интерфейс вместо поиска по множеству документов и порталов. Такая система управления знаниями снижает нагрузку на профильных экспертов, берёт на себя повторяющиеся вопросы и помогает новым сотрудникам, а также тем, кто переходит между командами, быстрее входить в работу самостоятельно. |
Наглядный пример: как мы автоматизировали управление знаниями с помощью агентного ИИ
Возможности автоматизации процессов управления знаниями оказались достаточно значимыми, чтобы внедрить такое решение внутри Cronit. Поэтому специалисты Cronit разработали решение, которое значительно упрощает одну из самых трудоёмких задач в сфере ИТ-услуг и консалтинга – управление загрузкой и распределением специалистов.
Используя платформу ПроАгент – собственную платформу для создания специализированных агентов ИИ, – мы разработали интеллектуального помощника для управления загрузкой специалистов. Это интеллектуальный помощник, интегрированный с приложением Microsoft Teams, который автоматизирует управление загрузкой и распределением специалистов, распределение специалистов и координацию работы команд. Он представляет собой единый интеллектуальный интерфейс для поиска свободных сотрудников, анализа резюме, планирования встреч, сбора обратной связи и выполнения других задач с помощью диалога на естественном языке.
Платформа включает восемь специализированных агентов, каждый из которых отвечает за отдельное направление процесса управления ресурсами:
Агент управления контекстом диалога позволяет платформе управления ресурсами понимать и сохранять контекст переписки, особенно при обмене файлами, и отвечать на вопросы на основе загруженных документов.
Агент формирования команды помогает создавать резюме, сопоставлять навыки специалистов с ролями, приводить резюме к единому формату, анализировать описания вакансий и предлагать структуру команды на основе исторических данных.
Агент поиска доступных специалистов находит сотрудников по навыкам, периодам доступности или потребностям проекта, используя данные из внутренних таблиц учёта доступности, например сервис Google Sheets.
Агент планирования встреч автоматизирует назначение встреч: находит свободные временные интервалы и создаёт события в календаре приложения Microsoft Teams.
Агент очистки истории диалога очищает историю переписки и сбрасывает контекст разговора, когда помощника удаляют из чата или повторно добавляют в него.
Агент сбора обратной связи автоматически собирает отзывы пользователей и сохраняет их в структурированном файле для разработчиков и участников проекта.
Агент регистрации неудачных запросов фиксирует ошибки, проблемы с доступом и запросы, выходящие за рамки возможностей системы, для последующего анализа и улучшения.
Агент обработки резюме анализирует загруженные резюме, приводит их к корпоративному формату и позволяет выполнять запросы по содержимому резюме.
Как автоматизировать управление корпоративными знаниями с помощью ИИ
Распространённая ошибка – воспринимать проект – воспринимать проект по внедрению системы управления знаниями на базе ИИ как упрощённую версию генеративной модели ChatGPT с логотипом вашей компании, встроенную в корпоративную ИТ-инфраструктуру. Чтобы такой проект действительно приносил отдачу, независимо от выбранного сценария использования, решение должно учитывать особенности ваших бизнес-процессов, опираться на корпоративные данные и внедряться при участии специалистов на всех этапах проекта.
Шаг 1. Оцените текущее состояние
Начните с аудита. Есть ли в компании элементы автоматизации управления знаниями, которые можно усилить с помощью ИИ? Или процессы обмена знаниями пока не выстроены, информация хранится разрозненно, а многие задачи решаются вручную? Если процессы пока не выстроены, прежде всего необходимо определить, где именно сосредоточены корпоративные знания. Изучите используемые средства совместной работы, общие папки и даже неформальные каналы обмена знаниями, которые сложились вокруг наиболее опытных сотрудников.
Для наших клиентов эта работа обычно начинается с двухдневного практического семинара по внедрению ИИ. Перед его началом участники заполняют небольшую анкету, которая позволяет оценить готовность компании к внедрению искусственного интеллекта с точки зрения данных, используемых технологий и компетенций сотрудников, а также выявить основные проблемные области.
Во время очного или дистанционного стратегического семинара мы определяем процессы управления знаниями, в которых ИИ способен принести наибольшую пользу, связываем их с конкретными сценариями применения и формируем общее направление проекта с учётом существующих ограничений. После этого оцениваем техническую реализуемость решения и разрабатываем дорожную карту проекта с указанием бюджета, сроков реализации и этапов проверки результатов.
Шаг 2. Подготовьте данные
Это не самая заметная, но критически важная основа проекта. Ожидать, что из некачественных данных получится достоверный результат, – иллюзия. Тщательная подготовка данных включает сбор, разметку, очистку и иногда дополнение исходной информации. По нашему опыту, этот этап часто занимает 70-80% всех усилий по автоматизации управления знаниями с использованием ИИ, но именно он определяет качество итогового результата.
Если ваши данные уже собраны в одном месте – в хранилище данных, озере данных или современной платформе данных, – вы уже на шаг впереди. Однако консолидация данных ещё не означает, что они готовы для использования в ИИ-системах. Поэтому этот этап нельзя пропускать, если вы рассчитываете получать не просто полезные, а действительно надёжные выводы.
Шаг 3. Выберите подходящий набор технологий для ИИ
Конкретный набор технологий зависит от того, каким будет решение: набором лёгких контекстно-зависимых агентов, подключённых к существующим инструментам, или отдельным централизованным диалоговым приложением. Однако ключевые технологические элементы обычно остаются схожими:
Базовая модель генеративного ИИ, например GPT от OpenAI, Claude от компании Anthropic или модели с открытым исходным кодом Llama и Mistral, которая отвечает за обработку запроса и работу с естественным языком.
Платформа управления, выступающая архитектурным слоем системы, например LangChain, LlamaIndex или Semantic Kernel, которая управляет рабочими процессами, инструментами и многоэтапным взаимодействием с большой языковой моделью (LLM).
База знаний и механизм поиска, то есть место хранения корпоративных данных и система их поиска. Как правило, для семантического поиска используется векторная база данных, например Pinecone или Weaviate, в сочетании с традиционным хранилищем.
Уровень интеграции приложений, то есть интерфейс, с которым взаимодействуют пользователи, например веб-приложение или чат-бот в приложении Slack либо Microsoft Teams, а также его серверная инфраструктура, например FastAPI или облачные функции.
Этот этап относится к самым трудоёмким и требовательным, поскольку требует глубокой экспертизы в области искусственного интеллекта. Кроме того, эти знания необходимо постоянно обновлять по мере появления новых технологий и инструментов. Компании, для которых разработка ИИ-решений не является профильным направлением и у которых нет сильной команды ИИ-специалистов, вряд ли смогут пройти этот этап самостоятельно без рисков для сроков и качества результата.
Чтобы ускорить разработку и внедрение ИИ-агентов и повысить их практическую ценность, Cronit объединила свой опыт и проверенную методологию в платформе ПроАгент. Она работает поверх существующей программной инфраструктуры компании, использует уже имеющиеся системы и помогает избежать зависимости от большого количества дорогостоящих дополнительных решений.
Шаг 4. Обучите модели искусственного интеллекта и настройте управление ими
Выбранные модели ИИ не учитывают специфику вашего бизнеса автоматически. Перед внедрением в рабочие процессы сотрудников им нужны ограничения, правила работы и обучение на данных, отражающих реальные особенности вашей операционной деятельности.
На этом этапе необходимо решить, использовать ли дополнительное обучение модели или опираться на поиск с дополненной генерацией (RAG).
Выбор обычно зависит от стоимости и технического соответствия задаче. Дополнительное обучение модели имеет смысл, когда у вас есть стабильный и хорошо определённый набор данных, а от модели требуется строго заданное поведение. Однако такой подход может быть дорогим и трудоёмким, поскольку каждое обновление требует повторного обучения и повторного развёртывания модели.
Поиск с дополненной генерацией (RAG), напротив, часто дешевле и проще в сопровождении. Модель можно оставить универсальной, а по мере появления новой информации обновлять только базу знаний. При этом такой подход может потребовать больше инженерной работы по индексации, поиску информации и обеспечению стабильности системы при изменении исходных документов.
В любом случае выбранный подход определяет, как ИИ будет взаимодействовать с пользователями и как на следующих этапах будут устроены управление, мониторинг и контроль качества.
Затем необходимо настроить управление моделями. Определите, кто отвечает за модели, кто утверждает изменения и как проверяются обновления. Отслеживайте показатели уверенности модели и частоту ошибок в критически важных задачах, связанных со знаниями, а также сохраняйте результаты работы системы и данные о принятых решениях для последующего аудита. Без этого даже технически сильная модель может стать источником рисков.
Шаг 5. Внедряйте, контролируйте и поддерживайте систему
Начните с малого – с пилотной группы, которая готова внимательно проверять систему и открыто сообщать, если что-то работает неправильно или вызывает сомнения. Следите за тем, насколько удобно сотрудникам пользоваться решением и действительно ли оно ускоряет повседневную работу, а не просто меняет её форму. Отдельно отслеживайте, как часто ИИ уверенно выдаёт ошибочные ответы. Настраивайте систему с учётом ранней обратной связи и оценивайте пользу системы на пилотном этапе. После этого можно переходить к масштабированию. Отдельно запланируйте обучение сотрудников.
Управление знаниями с использованием искусственного интеллекта – это не только техническое внедрение, но и изменение рабочих привычек и уровня доверия к новым инструментам. Вы предлагаете сотрудникам по-новому организовать работу с информацией. Формировать эту привычку лучше через практические форматы обучения: интерактивные семинары, учебные среды для безопасного тестирования, выделенные каналы поддержки в режиме реального времени и другие инструменты сопровождения.
Проблемы автоматизации управления знаниями с помощью ИИ
Даже самые тщательно спланированные с технической точки зрения проекты могут столкнуться как с организационными сложностями, так и с ограничениями, присущими современным технологиям искусственного интеллекта. Именно поэтому профессиональные команды, занимающиеся разработкой и внедрением ИИ, постоянно совершенствуют свои подходы, чтобы успешно преодолевать эти ограничения.
Недостоверные ответы больших языковых моделей
Несмотря на впечатляющие возможности, большие языковые модели могут уверенно представлять недостоверную информацию как факт. Для корпоративных систем управления знаниями это одна из главных проблем. Снизить подобные риски и повысить качество работы моделей помогают следующие инженерные практики:
использование архитектуры поиска с дополненной генерацией (RAG), чтобы ответы формировались на основе проверенных источников;
создание комплексной системы ограничений и проверки результатов для фильтрации некорректных ответов;
постоянное участие человека в проверке результатов работы системы;
тщательная разработка запросов и дополнительное обучение моделей на качественных отраслевых данных.
Необходимость управления системой ИИ
ИИ может предоставить информацию, которая сама по себе является корректной, но не подходит конкретному пользователю, не должна использоваться в определённой внутренней ситуации или нарушает требования регулирующих документов. Поэтому эффективное управление системой строится на следующих практиках:
управление обновлениями моделей, контроль используемых запросов и мониторинг нежелательного поведения;
обучение сотрудников принципам ответственного использования ИИ;
разграничение доступа на основе ролей пользователей;
классификация материалов для выявления конфиденциальной и конфиденциальной информации;
автоматическая проверка соблюдения нормативных требований;
проверка точности, актуальности и допустимости ответов ИИ с возможностью дополнительного согласования при необходимости;
контроль возможной предвзятости моделей и защита от формирования дискриминационных или вредоносных материалов;
ведение журналов аудита, позволяющих отслеживать, какие данные, когда и кем использовались или были предоставлены.
Управление затратами
По мере усложнения моделей ИИ и увеличения объёма поиска по корпоративным данным вычислительная нагрузка может расти непредсказуемо. Использование облачных вычислений, систем хранения данных и интерфейсов программирования приложений (API) приводит к переменным расходам, которые без постоянного контроля сложно прогнозировать.
Для управления такими затратами применяются специализированные инструменты, например AWS Auto Scaling для автоматического масштабирования вычислительных ресурсов, Datadog или Prometheus для мониторинга нагрузки, Kubernetes или Docker Swarm для управления приложениями, развёрнутыми в контейнерах, а также средства контроля расходов, такие как Azure Cost Management или Cloud Billing в Google Cloud.
Управление изменениями
Даже идеально автоматизированная система управления знаниями не принесёт ожидаемого результата, если сотрудники не будут готовы ею пользоваться.
Успешное внедрение ИИ – это не только обучение работе с новой системой. Необходимо подготовить сотрудников к новым рабочим процессам, объяснить преимущества изменений, снять возникающие опасения и обеспечить поддержку проекта со стороны руководства и ключевых подразделений. Особую роль при этом играет руководство компании, которое должно показать важность новой системы и способствовать её использованию в повседневной работе.
Автоматизируйте управление корпоративными знаниями с помощью агентного поиска с дополненной генерацией (Agentic RAG)
ИИ меняет подход к тому, как организации накапливают, распространяют и используют корпоративные знания. Преимущества ИИ проявляются в измеримых результатах: уменьшается количество обращений в службу поддержки, проекты выполняются быстрее благодаря оперативному доступу к информации, а управленческие решения принимаются с учётом полного и актуального контекста.
Внедрение агентного поиска с дополненной генерацией (Agentic RAG) или других технологий ИИ в систему управления знаниями следует начинать с объективной оценки того, как сегодня устроена работа с корпоративными знаниями. Затем необходимо создать надёжную технологическую основу, сформировать систему интеллектуальных агентов и помочь сотрудникам эффективно работать вместе с ними.