Kennis uit het hoofd halen met AI
In iedere organisatie is veel kennis aanwezig. Een belangrijk deel hiervan zit in het hoofd van de medewerkers. Als iemand met pensioen gaat, neemt hij deze kennis mee en ben je als organisatie de kennis kwijt. Zonde en helemaal niet nodig. Door deze kennis slim te borgen, zorg je ervoor dat de kennis behouden blijft. In deze blog laten we je zien hoe je hiervoor de kracht van AI kunt gebruiken.
Voorbeeld
Neem bijvoorbeeld onze fictieve Ans. Ans werkt al 35 jaar als technisch adviseur bij een installatiebedrijf en weet alles van CV-ketels. Over 2 jaar gaat ze met pensioen.
Tradionele aanpak
Van oudsher haalden we door middel van taakanalyses, interviews en observaties kennis uit de hoofden van medewerkers en borgden dit in bijvoorbeeld opleidingen of werkinstructies. Deze traditionele manier van kennisborging werkt op zich wel, maar heeft twee nadelen:
- Het kost de expert veel tijd. Iemand loopt mee, vraagt hem de hemd van het lijf en na het opleveren moet de expert ervoor zorgen dat het bestand up-to-date blijft.
- Veel documenten worden uiteindelijk niet meer gebruikt. Omdat ze onvindbaar zijn of niet meer up-to-date. Of mensen weten dat laatste niet zeker en bellen voor de zekerheid toch nog maar even de expert.
Voorbeeld
Ans kan daarover meepraten:“In het begin schreven we de werkinstructies zelf, maar dit bleek toch een stuk lastiger dan we dachten. Veel dingen zijn voor mij zo logisch, dat ik ze niet opschreef. Een nieuwe collega miste dan bepaalde stappen of informatie, waardoor ik uiteindelijk toch weer gebeld werd. We werkten daarom samen met een bureau. Er kwam dan iemand langs die met me meeliep en precies wilde weten wat ik allemaal deed en waarom. Begrijp me niet verkeerd, dat deden ze echt heel goed. Maar jee, wat kostte dat veel tijd. Het laatste bureau had een handig systeem waarin ik de werkinstructies zelf kon updaten als dat nodig was. Werkte best goed hoor. Maar ja, je kent dat. Dat blijft er natuurlijk bij…”
Met AI kan kennisborging een stuk effectiever en duurzamer. In slechts 4 stappen haal je kennis uit de hoofden van medewerkers en borg je het in een AI-model:
Stap 1. Het AI-model trainen
AI begint met data. Zonder data geen AI. Gelukkig heeft elke organisatie een schat aan data. Dit kan variëren van rapporten tot klantinteracties en projectdocumentatie. Deze data bevat een hoop kennis. Expliciete kennis, zoals uitgeschreven adviezen, maar ook impliciete kennis zoals de overwegingen die de expert in zijn hoofd heeft gemaakt om tot deze adviezen te komen. Door deze data te gebruiken om een AI-model te trainen, maak je de kennis toegankelijk. Deze basis ga je in de volgende stappen optimaliseren, zodat het model steeds beter wordt.
Stap 2. Een goede prompt opstellen
Met alleen een getraind AI-model ben je er nog niet. Je wilt het model gebruiken om output te genereren dat de kennis uit het model bevat, bijvoorbeeld een adviesrapport. Dat doe je door middel van een prompt. De prompt is de vraag die je aan het model stelt en op basis waarvan het model een antwoord (output) genereert. Hoe beter de prompt, hoe beter de output.
Om een goede prompt te maken, heb je de kennis van de expert nodig. Hij weet hoe de output eruit moet zien, weet welke elementen erin moeten komen en wat verder belangrijk is. Een expert kan de gegenereerde output op waarde schatten. Een beginner vindt het al gauw goed klinken, een expert ziet welke subtiele nunances en details er missen. Samen met een AI-expert scherpt hij de prompt aan, zodat toekomstige output ook deze details bevatten. Dit is een proces van trial-and-error.
Voorbeeld
Ans:”Ik wist natuurlijk wel dat ik in 35 jaar heel wat adviezen en zo had gemaakt, maar toen ik al die data zo bij elkaar zag, was ik toch wel even stil. Een deel van de adviezen ging over CV-ketels die niet meer verkocht worden, maar de achterliggende beslissingen bleken toch nog goed bruikbaar. Het duurde wel even voordat we een model hadden waar ook wat zinvols uit kwam. De eerste adviezen leken echt nergens naar. Maar toen we wat gespeeld hadden met de datasets en de prompt, begonnen er best goede adviezen uit te komen. Het was trouwens een verademing dat ik gewoon door kon werken terwijl het model steeds beter werd.
3. De output controleren en verbeteren
Ervaring leert dat je op deze manier een model krijgt dat functioneert op het niveau van beginner. Een stagiaire. Onze AI-stagiaire heeft enorm veel kennis, maar mist de jarenlange ervaring die een expert door vallen en opstaan heeft opgedaan. Dit is misschien wel de meest waardevolle kennis die we willen borgen.
Een deel van deze ervaringskennis zit verborgen in de data die we gebruikt hebben om het model te trainen. De eerder genoemde impliciete kennis. Door middel van patroonherkenning haalt AI deze kennis naar boven. Dit gaat echter niet altijd goed. Soms ziet AI patronen die niet relevant (meer) zijn of die onbewust in de data zijn geslopen en niet wenselijk zijn. Denk aan Amazon, die een AI gebruikte voor de selectie van nieuw personeel en die mannen systematisch hogere scores gaf. Dan moeten we AI dit (af)leren. En wellicht ook onze eigen processen eens onder de loep nemen…
Een groot deel van de jarenlange ervaring van een expert zit echter niet in de data of kan AI er niet goed uithalen. Deze kennislaag moeten we dus zelf toevoegen. Dat doen we door een expert de output te laten controleren en verbeteren. Door deze kennis en feedback vervolgens slim op te slaan, kun je deze data weer gebruiken om het AI-model en de prompt te verbeteren. Zo wordt het model en de output steeds beter en zijn steeds minder aanpassingen nodig.
4. Model gericht verbeteren
Als je merkt dat het model op bepaalde gebieden onvoldoende presteert, dan kun output genereren waarmee je gericht deze kennisgebieden traint. Hierbij haal je dus gericht kennis uit de hoofden van experts en gebruik je deze aanvullende data om het AI-model te verbeteren.
Stel dat je bijvoorbeeld adviesrapporten wilt genereren en dat je ieder rapport begint met een samenvatting van de klantvraag. Het AI-model dat je hiervoor hebt getraind doet dat meestal goed, behalve bij deeladviezen. Dit is iets waar jullie nog niet zo lang mee werken en waarover dus minder data beschikbaar is. Je besluit hiervoor wekelijkse challenges voor het hele team te maken. Samen met een van de experts en het AI-model genereer je de challenges en zet ze klaar. De kennis die de expert hierbij gebruikt, sla je uiteraard op. De rest van het team speelt de challenges en leert zo ook meteen de fijne kneepjes van deze deeladviezen. Zo verzamel je aanvullende data EN leid je mensen op. Twee vliegen in een klap.
Deze stappen vormen samen een continu proces, dat je eenvoudig kunt integreren met de dagelijkse werkzaamheden.
Voorbeeld
Ans:”De eerste adviezen waren nog niet zo goed bruikbaar. We moesten daar zoveel aan verbeteren dat het ons nauwelijks tijdwinst opleverde. Maar na verloop van tijd merkten we dat onze feedback zijn vruchten begon af te werpen en dat de adviezen steeds beter werden. Dat werkte erg motiverend. Mooi ook dat ik de adviezen ook meteen kon gebruiken, hierdoor hoefde ik die saaie herhalende onderdelen van het advies niet meer zelf te schrijven.
We merkten trouwens dat de adviezen van een van de nieuwste typen CV-ketels achterbleven, dus daarvoor hebben we extra casussen gemaakt. Het handige was dat we hiervoor ook gewoon ons AI-model konden gebruiken. Samen met de AI-expert maakte ik een nieuwe prompt waarna we met een druk op de knop meer dan 100 mini-casussen hadden die we als een soort game met het team hebben gespeeld. Driemaal raden wie de winnaar was…”.
Conclusie
Met AI kun je dus in één proces kennis uit data én de hoofden van experts halen en borgen in een AI-model. Door een slimme controlelaag in te bouwen kun je de output van het model direct veilig gebruiken en verrijk je tegelijkertijd het model met de jarenlange kennis en ervaring van de expert.
Niemand weet op dit moment hoe goed AI uiteindelijk kan worden. Of we alle soorten kennis in AI kunnen stoppen en zo in no-time een ervaren expert krijgen. Of AI de context en subtiele nuances zal ‘begrijpen’ en juist zal toepassen. We gaan het zien.
Wat we wel zeker weten is dat het trainen van AI tijd kost én dat de (menselijke) expert hierbij onmisbaar is. Het gaat immers om de kennis die in zijn of haar hoofd zit. Wacht dus niet tot je experts weg zijn, maar begin op tijd!
Stop kennisverlies vandaag nog
Wil jij ook de waardevolle kennis van je medewerkers duurzaam borgen met de kracht van AI, zodat deze behouden blijft voor jouw organisatie? Ontdek wat er mogelijk is in samenwerking met Learning Adventures.
Neem contact met ons op en start vandaag nog met het borgen van kennis voor de toekomst!