Lákavým řešením je dnes populární umělá inteligence (AI). AI ovšem dokáže hledat odpovědi z dat, která popisují opakující se procesy nebo mnohokrát publikovaná fakta. Jakmile se proces změní, trvá dlouho, než se vytvoří dostatek nových dat k tomu, aby se modely mohly uzpůsobit. AI zatím prostě neumí okamžitě reagovat na nenaučené situace. To je stále doménou člověka. Do popředí zájmu se tak opět dostává téma Knowledge Managementu (KM). Ve spojení s AI se pak hovoří o Cognition-as-a-Service (CaaS) a Knowledge-as-a-Service (KaaS). V případě KaaS jde tedy o kombinaci struktury znalostí vytvářených lidmi, které jsou extrahované z dat, tak aby byly dostupné a umožnily rozhodování dynamickým a individualizovaným způsobem.
Schopnost CaaS provádět Kaas je prozatím futuristická vize. Co je ale možné již dnes? To můžeme demonstrovat na projektu, který jsme řešili pro ASTM International ve spolupráci s Hidden Data Technologie – DC Czech. ASTM dříve známá jako American Society for Testing and Materials, je mezinárodní normalizační organizace, jež vyvíjí a publikuje dobrovolné konsenzuální technické normy pro širokou škálu materiálů, výrobků, systémů a služeb.
Cílem ověření konceptu bylo využití KaaS v kombinaci s CaaS ke zvyšování odborné úrovně normalizačních odborníků a k zefektivnění procesu tvorby a aktualizace norem. Tématem vybraným pro tento projekt bylo využívání konopného betonu.
Použili jsme kombinaci tří typů technologií, vyhledávač Google a službu ResearchGate pro identifikaci informačních zdrojů, analytickou platformu Tovek pro tvorbu znalostní a poznatkové báze a aplikaci pro automatickou syntézu obsahu na bázi umělé inteligence (GPT-3).
Nejprve jsme identifikovali relevantní zdroje dat.Vytvořili jsme úvodní dotaz obsahující hlavní klíčová slova, která by měla být obsažena v dokumentech relevantních k tématu. Identifikovali jsme tak potenciální související weby a vědecké práce. Skutečný obsah dokumentů a stránek nás příliš nezajímal.
V druhém kroku jsme přistoupili k vytvoření analytického indexu. Obsah webů jsme stáhli do lokálního úložiště a zaindexovali pomocí Tovek Tools. Šlo o více než 26 000 dokumentů, u kterých jsme udělali obsahovou analýzu dat. V této fázi se objevila první výzva. Jak je přečíst a vybrat z nich pojmy relevantní k obsahu normy? K tomu jsme využili koncept Aktivních map poznatků. Nejprve byla vytvořena základní struktura mapy odpovídající požadované obecné struktuře normy. K této struktuře se pak přidávaly další úrovně, které již začaly reprezentovat znalost, jak vyhledávat konkrétní informace. Během několika hodin vznikla podrobná znalost o tématu. Postupně se tvořila znalostní báze pro tvorbu obsahu normy, ale také pro vyhledávání nových informací pro její průběžnou aktualizaci.
Pro výběr faktického obsahu výsledné normy jsme využili konceptvizuální syntézy poznatků. Ve znalostní bázi se vyhledaly všechny dokumenty k jednotlivým částem normy. Byly již seřazeny podle relevance a obsahovaly zvýrazněné všechny důležité části. Ty, které se jevily jako vhodné pro obsah normy, jsme jednoduše přesouvali tahem myši do vizualizačního prostředí Tovek Tools. Automaticky se přitom zachovávala vazba k odpovídající části struktury normy a rovněž odkaz k použitému zdroji. Takto postupně vznikla poznatková báze.
Návrh výsledného obsahu normy jsme jednoduše vygenerovali pomocí exportu do HTML. Ke každé části textu bylo možné zobrazit originální zdroj a spustit dotaz, pomocí kterého byl zdrojový dokument nalezen. Prostřednictvím aplikace GPT-3 jsme si ověřili, že po zadání klíčových slov je možné vytvořit smysluplný a hodnotný text téměř automaticky.
Postup vyzkoušený na uvedeném příkladu lze zobecnit pro tvorbu návodů k jakékoliv činnosti. Umožňuje vytvořit, sdílet a aktualizovat znalost o daném tématu. Následně vyhledávat, aktualizovat a průběžně monitorovat informace v rozmanitých zdrojích dat. Vytvářet, sdílet a aktualizovat znalost o obsahu návodu a snadno generovat aktuální obsah návodu s odkazem na použité zdroje.
Auto: Tomáš Vejlupek, prezident TOVEK
PŘEDPLATNÉ
ČLÁNKY DO MAILU