ทำไมทุกบริษัทต้องการกราฟความรู้ในยุค AI

AI ไดเร่งพัฒนาซอฟต์แวร์อย่างมาก แต่ก็ไม่ได้เปลี่ยนแปลงวิธีการดำเนินงานขององค์กรซอฟต์แวร์อย่างมีนัยสำคัญ ซึ่งเป็นข้อจำกัดที่ใหญ่ที่สุดต่อ AI ในองค์กร

เมื่อหลายปีที่แล้ว ทีมวิศวกรต้องการทรัพยากรมากขึ้นเพื่อรักษาความต้องการ แต่ปัจจุบันทีมขนาดเล็กใช้ AI เพื่อสร้างโค้ด ทดสอบ และเร่งกระบวนการจากความคิดไปสู่การนำไปใช้ นักพัฒนาสามารถจัดส่งโค้ดได้เร็วขึ้น แต่ยังไม่ชัดเจนว่าสิ่งนี้ส่งผลให้เกิดผลลัพธ์ที่ดีขึ้นหรือไม่

ความเร็วในการพัฒนานี้สร้างปัญหาฐานใหม่: ค่าใช้จ่ายในการประสานงาน AI ไดเร่งการดำเนินการมากกว่าที่จะปรับปรุงวิธีการที่องค์กรประสานงานกัน การแบ่งปันบริบท การจัดลำดับความสำคัญ การตัดสินใจเชิงปฏิบัติการ การรายงานสถานะ และการประสานงานระหว่างหน่วยงานยังคงเป็นกระบวนการด้วยมือ แม้ว่าการพัฒนาจะเร็วขึ้นก็ตาม

Atlassian ประมาณการว่าความไม่เชื่อมต่อนี้มีค่าใช้จ่ายประมาณ 161 พันล้านดอลลาร์ต่อปีสำหรับบริษัท Fortune 500 การวิจัยเดียวกันพบว่า 89% ของผู้บริหารระบุว่า AI ไดเร่งการทำงาน แต่มีเพียง 6% เท่านั้นที่สามารถชี้ให้เห็นถึงผลลัพธ์ที่วัดได้ในองค์กร

การผลิตที่เร็วขึ้นไม่ได้หมายความว่าองค์กรจะฉลาดขึ้นโดยอัตโนมัติ เพียง 17% ของผู้ใช้เห็นด้วยว่าเอเย่นต์ได้ปรับปรุงการทำงานร่วมกันภายในทีม ซึ่งเป็นผลกระทบที่ต่ำที่สุด โดยทำให้การทำงานร่วมกันไม่สมบูรณ์

การสร้างบริบทใหม่สำหรับการถามแต่ละครั้งเป็นค่าใช้จ่ายที่มาก

ในขณะที่การนำเสนอสามารถใช้ข้อมูลที่สะอาดและจัดระเบียบได้ แต่สภาพแวดล้อมการผลิตมีความท้าทาย: ข้อมูลที่ไม่ชัดเจน ล้าสมัย และขัดแย้งกันกระจายอยู่ทั่วระบบที่ไม่เชื่อมต่อ เมื่อเผชิญกับช่องว่างเหล่านี้ โมเดลภาษาขนาดใหญ่จะทำสิ่งที่ถูกออกแบบมา: คาดเดาผลลัพธ์ที่เป็นไปได้มากที่สุด สิ่งที่ดูเหมือนจะให้เหตุผลในตัวอย่างที่ควบคุมได้จะกลายเป็นการเดาเชิงมั่นใจด้วยข้อมูลการผลิตจริง

อุตสาหกรรมได้เริ่มให้ชื่อแก้ปัญหานี้ “วิศวกรรมบริบท” ได้เกิดขึ้นเป็นสาขาที่เน้นการออกแบบข้อมูล ความสัมพันธ์ การกำกับดูแล และคุณภาพที่กำหนดว่า AI ในองค์กรจะสำเร็จหรือไม่ ปัจจัยที่จำกัดมักไม่ใช่โมเดลตัวเอง แต่เป็นคุณภาพของบริบทที่อยู่รอบๆ

ทุกครั้งที่ระบบ AI สร้างบริบทใหม่จากศูนย์ มันจะจ่ายค่าใช้จ่าย การตอบสนองจะช้า ค่าใช้จ่ายโทเค็นจะเพิ่มขึ้น และความเชื่อมั่นจะลดลงเมื่อคำตอบแตกต่างกันขึ้นอยู่กับองค์ความรู้ขององค์กรที่ถูกเรียกใช้ เอเย่นต์ AI สองตัวสามารถตอบคำถามเดียวกันต่าง ๆ กันเพราะแต่ละตัวสร้างบริบทจากส่วนต่าง ๆ ขององค์ความรู้ขององค์กร

องค์กรส่วนใหญ่แล้วมีองค์ความรู้ที่ระบบ AI ของตนเองต้องการ แต่ปัญหาก็คือ องค์ความรู้นี้กระจายอยู่ทั่วตั๋ว รายการเอกสาร การสนทนา และเครื่องมือวางแผน ดังนั้นการโต้ตอบแต่ละครั้งจึงเริ่มต้นด้วยการสร้างบริบทขององค์กรก่อนที่โมเดลจะเริ่มให้เหตุผล ซ้ำกระบวนการที่มีค่าใช้จ่ายนี้สำหรับการถามใหม่แต่ละครั้ง

การเข้าถึงไม่ใช่ความรู้

คำถามที่พบบ่อยคือว่าหน้าต่างบริบทที่ใหญ่ขึ้น การค้นหาที่ดีขึ้น หรือการดึงข้อมูลที่ดีขึ้นจะแก้ปัญหานี้ได้หรือไม่

โพรโทคอลบริบทโมเดล จัดการกับปัญหาการบูรณาการที่แท้จริงโดยให้เอเย่นต์เข้าถึงระบบที่ข้อมูลองค์กรอาศัยอยู่ แต่การเข้าถึงไม่ใช่การเข้าใจ การให้เอเย่นต์เข้าถึงระบบหลายระบบไม่ได้อธิบายว่าเหตุใดการตัดสินใจหนึ่งจึงมีผลกระทบมากกว่าอีกการตัดสินใจหนึ่ง หรือว่าเอกสารใดยังคงมีผลบังคับใช้หรือไม่ หรือว่าการพูดคุยกับลูกค้าได้ส่งผลต่อการเปลี่ยนแปลงสินค้าอย่างไร

ระบบ AI ส่วนใหญ่ในองค์กรม仍ยังสมมติว่าบริบทควรสร้างขึ้นใหม่จากศูนย์ทุกครั้งที่มีคำถาม ถึงแม้ว่าจะตอบคำถามแยกกันได้ แต่ก็ยังต้องดิ้นรนในการสนับสนุนการให้เหตุผลอย่างต่อเนื่องเพื่อการดำเนินธุรกิจ ผู้นำยังคงต้องใช้เวลาหลายชั่วโมงทุกสัปดาห์ในการรวบรวมคำตอบสำหรับคำถามที่ควรจะอยู่ในองค์กรแล้ว:

• อะไรที่เปลี่ยนไป?
• ทำไมลำดับความสำคัญจึงเปลี่ยน?
• แผนยังคงถูกต้องหรือไม่?
• เรายังคงแก้ไขปัญหาอย่างถูกต้องหรือไม่?

นี่คือที่ที่กราฟความรู้มีบทบาท กราฟ จัดเก็บเอนทิตีและความสัมพันธ์ ให้พื้นฐานสำหรับการรักษาหน่วยความจำขององค์กร ในองค์กรซอฟต์แวร์ เอนทิตีเหล่านี้อาจรวมถึงลูกค้า ฟีเจอร์ ข้อกำหนดการตัดสินใจ ตั๋ว รายการเอกสาร การส่งคำขอ และบุคคล

แทนการดึงข้อความที่มีคำที่คล้ายกัน เอเย่นต์สามารถติดตามความสัมพันธ์จากการตัดสินใจไปยังข้อกำหนดที่กระตุ้นให้เกิดการตัดสินใจ ตั๋วที่นำไปใช้ การส่งคำขอที่เปลี่ยนแปลง และคำติชมของลูกค้าที่ท้าทายมันในภายหลัง

กราฟความรู้ไปไกลกว่าการเป็นเพียงวิธีการจัดระเบียบข้อมูลอีก แทนที่จะสร้างบริบทใหม่จากระบบที่ไม่เชื่อมต่อ AI สามารถให้เหตุผลจากความเข้าใจที่พัฒนาอย่างต่อเนื่องเกี่ยวกับวิธีการทำงานขององค์กร

ผลลัพธ์คือ AI ที่สามารถให้เหตุผลจากการตัดสินใจ การสนทนา และหลักฐาน แทนที่จะสร้างความเข้าใจนั้นจากศูนย์สำหรับการถามใหม่แต่ละครั้ง

โครงสร้างเพียงอย่างเดียวไม่เพียงพอ

การสร้างกราฟครั้งเดียวเป็นเรื่องที่ยาก และการรักษาความถูกต้องเป็นเรื่องที่ยากกว่า ในองค์กรที่เปลี่ยนแปลงอย่างรวดเร็ว ตั๋วเปลี่ยน แผนเปลี่ยน โค้ดส่ง การเปลี่ยนแปลงความรับผิดชอบ และคำติชมของลูกค้าเปลี่ยนลำดับความสำคัญ ซึ่งหมายความว่าหน่วยความจำขององค์กรต้องอัปเดตเมื่อความเป็นจริงเปลี่ยนแปลงและเชื่อมโยงการเปลี่ยนแปลงแต่ละครั้งกลับไปยังแหล่งที่มา

ในขณะที่ 82% ของนักพัฒนาระบุว่า AI ช่วยให้เขียนโค้ดได้เร็วขึ้น และ 71% ระบุว่า AI ช่วยให้พวกเขาตอบสนองปัญหาที่ซับซ้อนได้ดีขึ้น ความเร็วในการพัฒนานี้มาพร้อมกับข้อจำกัด: 96% ของนักพัฒนายังคงไม่มั่นใจว่าโค้ดที่ได้ผลลัพธ์เป็นไปตามฟังก์ชันการทำงานที่ถูกต้อง

ทุกข้อเท็จจริงที่เอเย่นต์ให้คุณควรสืบย้อนกลับไปยังแหล่งที่มา: การคอมมิต ตั๋ว สตริง หากระบบ AI บอกผู้นำว่าการเปิดตัวเป็นไปตามแผน แต่ไม่สามารถแสดงสัญญาณเบื้องหลังข้อสรุปนั้น ผู้นำที่มีประสบการณ์ควรลังเลที่จะดำเนินการตามข้อมูลนั้น

ฉันเห็นทีมละทิ้งเครื่องมือที่ให้คำตอบที่สมเหตุสมผลเพราะผู้ใช้ไม่สามารถตรวจสอบว่าคำตอบเหล่านั้นถูกสร้างขึ้นได้อย่างไร ฉันเห็นทีมใช้ระบบที่ไม่ซับซ้อนน้อยกว่าเพราะระบบเหล่านั้นแสดงการทำงานของตน การสรุปอย่างมั่นใจโดยไม่มีหลักฐานเป็นวิธีการที่รวดเร็วในการผิดพลาด และเมื่อเครื่องมือเผาผู้นำด้วยคำตอบที่ไม่มีแหล่งที่มา ความเชื่อมั่นจะไม่กลับมาอีก การเชื่อมโยงคำกล่าวอ้างแต่ละข้อกับแหล่งที่มาเปลี่ยน “เชื่อฉัน” เป็น “นี่คือเหตุผล”

ความแม่นยำมีความสำคัญสำหรับเหตุผลเดียวกัน เมื่อระบบติดตามความสัมพันธ์ระหว่างแผนและความเป็นจริงอย่างต่อเนื่อง ช่องว่างระหว่างสิ่งที่ทีมตัดสินใจและสิ่งที่ส่งจริงจะกลายเป็นการเปลี่ยนแปลงที่มองเห็นได้ ไม่ใช่การดูดซับอย่างเงียบๆ นี่ไม่ใช่ข้อกังวลที่ไม่สำคัญ Thoughtworks ได้เน้น การเปลี่ยนแปลงโค้ดเป็นภัยคุกคามเฉพาะสำหรับเอเย่นต์ AI โดยเน้นถึงความจำเป็นของวงจรการตรวจสอบและกลไกการให้ข้อมูลย้อนกลับที่ช่วยให้ระบบตรวจจับและแก้ไขการเบี่ยงเบนเมื่องานพัฒนา การเปลี่ยนแปลงที่องค์กรสามารถมองเห็นได้เป็นข้อมูลที่มีประโยชน์ การเปลี่ยนแปลงที่ซ่อนอยู่คือวิธีที่ระบบ AI เริ่มทำให้ผู้ที่เชื่อใจมันสับสน

สิ่งที่ต้องถามก่อนเริ่มโครงการเอเย่นต์ครั้งถัดไป

เมื่อประเมินโครงการเอเย่นต์องค์กร ฉันจะเริ่มต้นด้วยคำถามสี่ข้อ:

• ระบบจัดเก็บการแสดงบริบทที่ดีที่สุดของตนเองหรือไม่ หรือเพียงแค่ให้ AI เข้าถึงแหล่งข้อมูลที่มีอยู่?
• คำตอบทุกข้อสามารถสืบย้อนกลับไปยังแหล่งที่มาเฉพาะ เช่น ตั๋วหรือเอกสารหรือไม่?
• ระบบอัปเดตอัตโนมัติเมื่อข้อมูลขององค์กรเปลี่ยนแปลงหรือไม่?
• เอเย่นต์เข้าใจความสัมพันธ์ระหว่างจุดข้อมูลหรือไม่ แทนที่จะเพียงเข้าถึงจุดข้อมูล?

โมเดลพื้นฐานจะยังคงดีขึ้น ความสามารถในการให้เหตุผลจะกลายเป็นแข็งแกร่งขึ้น หน้าต่างบริบทจะขยายใหญ่ขึ้น และความก้าวหน้าเหล่านี้จะกลายเป็นที่เข้าถึงได้มากขึ้นสำหรับทุกคน สิ่งที่จะไม่ถูกทำให้เป็นสินค้าคือความเข้าใจขององค์กร

มากกว่าครึ่งหนึ่งของ CEO รายงานว่าไม่เห็นผลประโยชน์ทางรายได้หรือต้นทุนจาก AI ในช่วงปีที่ผ่านมา ฉันจะเดาว่าพวกเขาหลายคนขาดชั้นบริบทที่ทำให้โมเดลเหล่านี้สามารถให้เหตุผลจากสิ่งที่องค์กรรู้อยู่แล้ว

เมื่อซอฟต์แวร์กลายเป็นเรื่องที่สร้างได้ง่ายขึ้น ความเข้าใจจะกลายเป็นทรัพยากรที่หายาก ผู้ที่สร้างมูลค่ามากที่สุดจาก AI มีความสามารถในการรักษา เชื่อมต่อ และเรียนรู้อย่างต่อเนื่องจากความรู้ขององค์กรอย่างดีกว่า นั่นคือความแตกต่างระหว่าง AI ที่เดาและ AI ที่รู้