知識管理系統與人工智能系統支持

　　摘 要：支持知識管理系統的人工智能系統分為基于知識的專家系統、神經網絡和案例推理系統。表達和轉化隱性知識是人工智能系統的瓶頸。拓展知識價值鏈為動態循環模型，結合 AI技術開發潛在性功能，將有助于解決隱性知識問題，形成動態的“知識螺旋”管理系統。

　　尹飛， 系統科學學報 發表時間：2021-10-15

　　關鍵詞：知識管理系統;人工智能系統;人工智能;隱性知識;知識價值鏈

　　當今的企業組織陷入到由德魯克(Drucker)定義的“全球知識社會”的漩渦之中。在這樣的環境之下，智能型組織都在爭求競爭優勢，通過使用已有的專家和智能資源產生持續的向上推動力，達到利用知識的新水準。如何獲取、掌握、重復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，它需要企業組織在持續發展的基礎上智能驅動。”野中郁次郎等學者已經分析了智能型組織在創造知識過程中所扮演的角色，特別強調成功的組織總是那些創造新知識，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當中，并且使用新技術進行生產。這個過程與創新相融合，并在將來形成最終的競爭優勢[1]。

　　1 知識管理系統分類

　　從普遍意義而言，知識流程已經通過編碼或者隱性的方式劃分類別，并作為組織發展的核心策略。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，通過轉化被系統語言所采納。盡管名義上有法律的保護，但以往經驗會告訴競爭者，顯性知識并不具備長久的價值，以當今的知識傳播速度，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，隱性知識在本質上很難被清晰刻畫，進一步來說，隱性知識保持了個性，較難形式化，也不容易獲取。因此，隱性知識被內化并且自成體系。內化的知識如果經過良好的體悟，將會變成常規化的獨特知識，并且會在企業執行熟悉業務的基礎上體現出來，成為競爭力的關鍵要素。

　　知識的創造過程會集中在隱性知識建構和形式精細化兩個方面，更為重要的是要在這兩個方面形成交流。這個動態性的行為是一個社會化的序列進程，會經歷外部化、內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，知識的復雜現象并不容易被隱性和清晰刻畫兩個方面的特征所囊括。知識系統分類包含了描述性、程序性、隱性、抽象性、專業性、清晰刻畫等特征，這些特征具有明顯的交叉狀態，而邏輯位于系統中心，通過理念、屬性、賦值的方法展現出來，并且可以應用于系統中的其他分類。例如專業性知識可以輕而易舉地聯系到歸納推理，而抽象性知識更易于和演繹推理相關聯。圖 1展示了知識系統的復雜情況。

　　這些關于隱性知識和清晰刻畫的分類是否會呈現彼此相互分離的狀況，或者是處于一種極端的連續狀況呢?這就需要認識不同類型的專家診斷，并且聯系到以往經驗的知識。但有一點不能忽視，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、分析文本和轉化程序以達到令人滿意的目的。人工智能系統可以通過知識系統分類達到管理知識的目的，但能夠提供多大程度的支持去捕捉和組織知識呢?這個問題關系到人們是否可以快速分享知識給交流區域的用戶。人工智能系統將通過獲取數據來支持知識價值鏈模型，并且會成為一種經驗部分存在于智能型組織當中。

　　2 人工智能系統支持

　　技術支持無論在知識獲取和創造領域還是在知識管理進程方面都具有關鍵作用。因此，即使在人力資源具有優勢的組織中，作為知識管理的組織者和促進者，只要確立了知識管理系統，就必須全力思考管理與技術的相互影響問題。這提供了潛在的知識循環誘導因素，也被野中郁次郎定義為當代智能型組織的核心進程。在知識管理系統的文本中，人工智能系統所扮演的角色是具有潛在性的，并且擁有多種處理形式。這樣的系統期望執行某些任務，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習方面。知識管理系統中的人工智能系統從功能上主要分為基于知識的專家系統(KBES)、神經網絡(NN)和基于案例的推理系統(CBR)。

　　2.1 基于知識的專家系統

　　人工智能的專家系統有別于人類專家的經驗咨詢，也有別于人類專家運用知識進行決策的行為。這個系統為無專家的組織提供幫助。早在 20世紀80年代中期，就有案例表明這樣的系統可以檢索一系列的商務運營范圍。研究表明 23%的英國商業可以使用類似這樣的系統進行技術運營和戰略分析[3]5-12。這個專家系統的運作原理如圖 2所示，所謂“以知識為基礎”包含了事件斷定和函數演算兩個方面。這兩方面緊密結合了推理引擎，體現了邏輯操作和推演回應。

　　可選擇的知識存儲結構是數據與操作規則同時作為客體對象，并將其設置在可傳遞特征的集合組中。特別是知識領域出現自然分層的時候，這種方法具有簡便性，語義網絡就為這種自然分層的知識提供了技術支持。推理規則的基礎必須是硬性規則，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則提供參考。這樣的方法也會使用模糊邏輯，在集合中詳細刻畫連續變量，成為傳統二值邏輯的補充。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則，以適用的數學形式或論證形式進行推理。這一步驟需要升級工作記憶庫，并且解釋選擇的數據和規則的原因。這個過程會創造新的知識和事件案例，生成了新的數據選擇和規則的循環。無論選擇還是合取，系統都可以獲取進一步的信息或者是用戶先前問題的闡釋。這個進程一直持續，直至產生最終輸出結果，整體的記憶軌跡都是聯系數據和事件的處理規則。最終，依據需要形成文檔(見圖 2)。

　　2.2 神經網絡

　　神經網絡具備的明顯優勢在于對不完整數據進行概括和抽象。網絡包含了以自然數計數的節點，類似于生物大腦的中樞，通過測算信息鏈結合在一起，模糊邏輯非常適宜這樣的環境。通過輸入信息和神經元之間的相互影響產生輸出結果，一般而言是一種復雜的函數。神經網絡的實質在于能夠輸出最終決策結果，如果面對同樣的輸入信息集合，網絡測算至少要與人類專家系統的測算功能持平，很多時候會優于人類專家系統的測算。這個成績基于多次的重復學習循環，包括系統中輸入集合與對應知識的運用。節點之間的箭頭代表測算鏈，判斷進程體現的是最優化的路徑，內置于系統之中。神經網絡提供的答案盡量減少與理想型答案之間的誤差。進程會在提供不同的數據集合中反復演算，直至出現持續穩定性或者可接受的準確答案。這個階段的熟練性系統會對輸入相似集合的演算形成有效的潛在性幫助。神經網絡與知識基礎的專家系統不同之處在于并沒有內置清晰刻畫的知識庫，只是輸入了數據之間假設的經驗聯系，功能函數產生了復雜的輸出結果，這都是基于前置的經驗學習(見圖 3)。

　　2.3 案例推理系統

　　基于案例的推理是人工智能可選擇的另外一個技術，比如 CBR系統，這是基于原生數據(包括曾經的案例和解決方法)的推理方法，而并非基于清晰化的事件和邏輯規則。與神經網絡不同之處在于此系統并不是操縱輸入信息或者找出信息點之間的聯系。它只是選擇和展現有幫助的潛在案例，然后配位描述性的問題，并將這種形式提交給新的案例。這種進程在用戶的提問與回答中反復迭代，持續發展的新案例被附加到存在的數據庫中，以備未來之需。

　　3 挑戰與解決方案

　　盡管強調人工智能的功能性，但是這些系統依然存在一些質疑，特別是跟真正的生物大腦作比較的時候，擅自調用網絡節點對應多樣化的問題是否合適?這需要一個充分完備的數據庫，而在現實中這樣的數據庫通常難于實現，這將導致測算鏈條的準確性大打折扣。即使未來真的出現了純粹經驗集合的數據庫，也不能保證神經網絡會測算一切可滿足性的行為，畢竟紛繁復雜的市場存在正在進行時的經驗需要學習，這將導致不切合實際的外延產生。而人類則不同，人類的大腦可以清晰意識到周邊環境正在發生變化，這是不需要附加任何機械語句條件的。正 如 亨 德 里 克 斯 (Hendriks)和 威 爾 森(Vriens)指出，知識是知識專家系統和知識管理系統的共同基礎。而時下流行的知識管理理念在人工智能和專家系統方面具有先進性，但對隨后發展的影響卻是不利的[4]。這等同于是說正在發展的專家系統過度強調技術層面，而對知識管理的根源，特別是接近哲學和人力資源的部分視而不見。因此，當務之急是要在隱性知識管理領域里找到破解這個對抗的方法，并且將其內置于人工智能框架之內[5]。

　　這反映了格拉澤(Glaser)和施特勞斯(Strauss)以歸 納 和 演 繹 循 環 進 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務進程提供了研究框架。數據的收集來自于法國Baypoint技術中心，這個中心是國際計算機互聯網公司 BayNetworksInc.的分支機構，為企業法人、服務供應商、電信運營商提供完備的服務產品線。其內容包括：ATM交換技術、共享媒體、IP服務以及其他網絡應用設備，以上這些融入智能組織所適用的互聯網發展戰略。

　　3.1 知識價值鏈的階段

　　智能型組織核心業務在于知識價值鏈理念，主要是應對網絡中心的質詢。這個業務的主要流程是通過知識數據檢索原始信息，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關鍵詞檢索，其核心特征是所有的進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信息。包括運用持續性敘述序列標準進行分類，確定需求信息的準確位置。

　　(3)格式化。這個階段屬于基礎評估，質詢哪個主體需要進入獲取信息端口。目的在于提供充分的變量，建設溝通有效性文本，探求可能受關聯影響的主體。這個進程包括典型文本格式化、文本檢索、文本展現和構圖、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聯。

　　(4)展望。格式化的結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。選項有報告、郵件概要、個人數據庫、聯系文本、內網頁面、傳真、電話、紙質稿等等。如果在整個進程中需要添加潛在用戶確認，那么在格式化階段，甚至是查詢階段都需要進行迭代設置。

　　(5)反饋。這個階段緊密連接知識循環。因為組織若要在信息轉化為知識中獲取經驗，就必須有效發展功能函數，爭取進一步獲取未來需求的知識。反饋作為最終環節，將會使前 4個階段納入新一輪的知識循環當中。

　　以上 5個階段聚合在一起構造了知識價值鏈模型，類 似 于 哈 夫 曼 (Huffma)提 出 的 知 識 循 環 理念[7]。價值鏈模型將積攢的信息轉化為知識，通過反饋階段的鏈接，能夠升級組織的工作記憶庫，反過來促進組織的學習能力提升。

　　3.2 人工智能系統的標桿分析

　　沒有相應的技術支持，潛在性的知識很難達到最優化的操作。人工智能能否成為知識管理的有效支持技術噬待解答。為了解決這一問題，Bay-point技術中心采用標桿分析法，對于現存的人工智能系統進 行 評 估，評 估 對 象 包 括 Backweb、FulcrumKnowledgeNetwork、KnowledgexEnterprise等幾個代表性的系統。評估所采用的標準是知識價值鏈模型的線上應用部分，測試幾個系統如何應對客戶咨詢。測試的結果是 3款系統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表明，這些系統可以在組織的核心業務層中捕捉隱性知識，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point知識管理文本需要有一線工程師輔助解答客戶咨詢。客戶也許會質疑，通過自動流程產生的人工智能分析結果是否為最優選擇。基本的搜索是使用瀏覽器前端參數引導鏈接的文本。基于知識的人工智能專家系統雖然能夠解決這一問題，但是如果相似案例出現，那么系統會直接檢索記憶庫，而不是附加新的知識內容。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。神經網絡可以支持這一功能，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結合使用。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化進程，才可以獲取完備性的信息。整體的轉化進程需要以一種適用的格式化形式保存在組織記憶庫當中。人工智能信息技術的各個系統仿佛各自為戰，以不同的階段存在于知識價值鏈的循環當中。人工智能需要發展潛在知識的系統對照如表 1[8]。

　　所以，上述人工智能系統必須附加功能函數，在人員交流的環境語句方面形成突破。這就意味著需要在智能組織中建立功能更為強大的引擎，用以完善知識價值鏈的標準，同時也能夠為人員交流量身制定一種隱性知識表述的系統。

　　3.3 知識價值鏈動態模型

　　在分析了純粹的人工智能系統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和智能代理服務器。聚焦的難題是如何動態應對客戶需求，典型的做法是發展動態文本技術支持服務進程，對客戶需求進行進一步解釋和建議。這個技術結合了人工智能和人類思考的環節，并非是單純的人工智能方案，大大加強了問題解決能力，提高了使用者的接受程度。類似于這種協作操作系統可以概況出一種特征，即“IA >AI”。這意味著人類心靈附加機械擴充原有的人工智能系統，在效益上超越了只是模仿人類心靈的人工智能系統。將形式化的清晰刻畫的機械執行知識與使用者表述的隱性知識結合起來，超越了兩者之一的單獨運行。原有的知識價值鏈模型也得到了擴充，成為了知識價值動態循環模型。知識價值鏈動態循環模型見圖 4。

　　下面模型通過搜索引擎將推理規則內置其中，并且提供多維度信息的準入接口，整個框架被數據模擬技術所支持。數據庫確定的專家經驗依照以前的創造性貢獻。這個模型還表述關于信息的背景知識，提供了混合型文本用以將信息轉化成知識。模型的綜合能力聯系到了人類專家，意味著通向了隱性知識。當客戶咨詢需要清晰刻畫的知識，那么系統就會運用機械方案，如同圖 4知識循環鏈包含的4個階段，如果遇到非常強烈的隱性知識需求，那么模型就會將質詢轉化給領域內的專家，如此在質詢問題和解決方案之間循環往復。與此同時，該模型還將發生過的案例源源不斷存入記憶系統，成為未來有用的知識。

　　知識價值動態循環模型是知識價值鏈的拓展，正視了人工智能在知識價值鏈中的短板，是野中郁次郎“知識的螺旋”理念的一種技術補充。尤其是當智能型組織深入到知識創造過程中的時候，組織在隱性知識方面取得短暫性的競爭優勢就更為明顯。知識管理的核心業務就是要深挖并發展知識競爭力，將價值鏈嵌入到業務的核心流程。動態循環模型的價值就在于將人工智能的三個系統融合在一起，在隱性知識和顯性知識之間形成動態性的交互，并且能夠創造新的知識存入組織的記憶庫，形成知識的螺旋(見圖 4)。

　　3.4 開發潛在性功能

　　當然，隱性知識還意味著可以使用非邏輯的形式，自由憑直覺重新運作，心靈的知識也許包含了高級的人類性格，這些基于人類一生的經驗積攢，而不是僅僅的純邏輯或者客觀事實。這種清晰的反機械規則針對計算機科學，當然也包括人工智能。至少，目前的人工智能系統依然難以處理文化、領導力和其他人力資源方面的問題。但這些方面并非無法改進，人工智能系統至少可以作為人機交互的功能部件存在，并且可以保留知識匯總的基本功能，還能提供機械式的支持，促進知識管理進程的發展。因此，應當接受人工智能開發潛在性的功能，用以高效快速地捕捉、重述、轉換信息數據。

　　人工智能也能夠處理原始信息，產生高級別的信息指令，對于知識學習提供高效新穎的方法。利用動態循環模型，基于規則的專家系統和神經網絡將形成混合系統，提供缺乏部分標準數據的功能函數用以接入嵌入式知識。另外，基于經驗的案例可以通過 CBR的路徑進行反映，這樣就拓展了系統能力，并且削弱了專家系統的質詢瓶頸問題。當前的知識管理對于表達隱性知識的確存在困難，但這并不是新穎的問題，知識引擎的理論和實踐都要求找出隱性知識的抽象，進而進行編碼。知識引擎的必要性條件是要同時處理事件和人類專家的邏輯進程，需要同時進行質詢和確認。邏輯或事件推理進程在本質上來說屬于高級別的隱性知識。這個過程長期以往都被認為是專家系統的困難。但專家處理系統可以通過捕捉對話和描述回應，在系統中內置規則，捕捉人類心靈的推理規則。尤其是當知識作為專家記憶的存儲器的時候，這樣的特征更為明顯。對于那些語句模糊，或者并不常見的問題，專家系統要么通過經驗進行學習，要么通過類似的新事件重新構造知識。

　　實際上，人類專家形成的結論往往根據不同的規則總結以往的正、反方面的經驗。這樣的進程類似于 CBR。具有價值的案例可以被重新采用，判斷是否適用于下一個階段，并會形成建議性的問題描述、相關提問、建設性解決方案等等，最終形成新的知識存儲在記憶庫里。CBR可以通過記憶庫中的清晰刻畫知識來判斷隱性知識的范圍，特別是記憶庫中被存儲后又被重新激活的知識，它的靈活性要強于剛性規則的專家系統。CBR的處理類似于檢索功能的進程，需要有代數表格進行配位。而神經網絡則應用統計權重測算未來結果。即便沒有事實為基礎的推理機制和知識記憶庫，神經網絡也可以正常工作。但是神經系統需要有從屬于代數學習機制的數學符號輸入。這比當前的計算機更能模仿人類大腦，可以通過類比和中間媒介，選擇性輸出適用結果。例如筆跡識別就是這樣的功能。神經系統還可以創造智能代理，用來尋找配位的資源，用來決定如何分類，并形成新的文檔。

　　所以，理性與經驗并非水火不容，統一起來恰為人工智能獲得新的進步與發展提供了科學的指向[9]。智能型組織的知識管理系統理應擁有人工智能的三大功能系統(KEBS，NN，CBR)支持，三大技術在各自獨立系統中都在不斷進化。相反而言，如果摒棄人工智能的技術支持，那么容易形成所謂的“知識筒倉”，雖然各自專家領域內容易獲得范疇內的充分知識，卻難于介入或者獲取潛在用戶的交流，這將是處理隱性知識更為不利的方面。國際化及客戶需求個性化使組織需要了解不同顧客、行業和地域的知識，這已超出單個組織已有知識儲備與積累[10]。因此，就需要一個綜合性的靈活工具，將知識的收集、組織、篩選、傳遞等功能高效統一起來。使知識價值鏈呈現動態性，配合人工智能三大系統的潛在性支持，將是一種良性的方案。

　　結論及展望

　　當前國際競爭形勢下，知識被認為是能夠產生持續競爭優勢和最具價值的戰略性資源[11]，有效的知識獲取作為企業創新的基礎和創新過程的開端，是企業創新能力提升的關鍵[12]。知識管理系統強調人類視角的隱性知識，在智能型組織中已經成為獲取競爭力的關鍵要素。但是，知識管理同樣需要人工智能提供的信息技術，用以經營知識、分享知識。認識到技術的局限性十分重要，特別是管理隱性知識方面，這涉及到知識管理復雜性的動態進程。知識管理進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交互綜合系統拓展了知識價值鏈，成為動態的循環系統。加強知識價值鏈動態循環，內置人工智能系統，將是獲取潛在競爭力的重要環節。這種內置人工智能的綜合系統正在類似Baypoint這樣的智能組織中發揮著重要作用。知識價值鏈動態循環系統體現了知識螺旋理念，綜合了人工智能系統，表達了各種知識集合，涉及人類的隱性知識，具備先進性。

　　更為重要的是，這種動態循環系統為未來的潛在性知識學習提供了一個分支，反映了拓展知識價值鏈在智能輔助技術方面的重要性，提供了知識管理方面的人工智能系統支持研究。將來的研究可以細化知識價值鏈的各個階段，為應用和拓展知識價值鏈提供更多的經驗文本。