Door Annemieke Deenen, oktober 2024
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.
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.
Traditionele 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 het hemd van het lijf, en na het opleveren moet de expert er ook nog voor 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.
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."
Met AI: 4 stappen naar effectieve kennisborging
Met AI kan dat een stuk effectiever en duurzamer. Dit doe je in slechts 4 stappen:
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 die de kennis uit het model bevat, bijvoorbeeld een adviesrapport. Dat doe je door middel van een prompt: 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, 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 nuances en details er missen. Samen met een AI-expert scherpt hij de prompt aan, zodat toekomstige output ook deze details bevat. Dit is een proces van trial-and-error.
Stap 3. De output controleren en verbeteren
Ervaring leert dat je op deze manier een model krijgt dat functioneert op het niveau van een beginner, een stagiair. Onze AI-stagiair 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, dat AI gebruikte voor de selectie van nieuw personeel en dat mannen systematisch hogere scores gaf. Dan moeten we AI dit weer afleren, 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, 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 er steeds minder aanpassingen nodig.
Stap 4. Model gericht verbeteren
Als je merkt dat het model op bepaalde gebieden onvoldoende presteert, dan kun je 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 die ieder beginnen met een samenvatting van de klantvraag. Het AI-model dat je hiervoor hebt getraind doet dat meestal goed, behalve bij deeladviezen waar je nog niet zo lang mee werkt 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 meteen de fijne kneepjes van deze deeladviezen. Zo verzamel je aanvullende data én leid je mensen op, twee vliegen in één klap.
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. We merkten trouwens dat de adviezen van een van de nieuwste typen cv-ketels achterbleven, dus daarvoor hebben we extra casussen gemaakt. 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 AI de context en subtiele nuances zal 'begrijpen' en juist zal toepassen. 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.
Neem contact op met Learning Adventures voor meer informatie over kennisborging met AI en games.