知识管理系统与人工智能系统支持
摘 要：支持知识管理系统的人工智能系统分为基于知识的专家系统、神经网络和案例推理系统。表达和转化隐性知识是人工智能系统的瓶颈。拓展知识价值链为动态循环模型，结合 AI技术开发潜在性功能，将有助于解决隐性知识问题，形成动态的“知识螺旋”管理系统。
尹飞， 系统科学学报 发表时间：2021-10-15
关键词：知识管理系统;人工智能系统;人工智能;隐性知识;知识价值链
当今的企业组织陷入到由德鲁克(Drucker)定义的“全球知识社会”的漩涡之中。在这样的环境之下，智能型组织都在争求竞争优势，通过使用已有的专家和智能资源产生持续的向上推动力，达到利用知识的新水准。如何获取、掌握、重复利用组织已有的知识资源摆在了管理者的面前。威格(Wiig)将这个管理行为形象地表述如下：“知识理念框架将所有的行为打包其中，它需要企业组织在持续发展的基础上智能驱动。”野中郁次郎等学者已经分析了智能型组织在创造知识过程中所扮演的角色，特别强调成功的组织总是那些创造新知识，并且在组织中广范围传播知识的主体。组织快速地将知识注入到技术当中，并且使用新技术进行生产。这个过程与创新相融合，并在将来形成最终的竞争优势[1]。
1 知识管理系统分类
从普遍意义而言，知识流程已经通过编码或者隐性的方式划分类别，并作为组织发展的核心策略。但是显性知识和隐性知识的价值明显不同。如果是显性知识，知识被编码或者清晰刻画下来，通过转化被系统语言所采纳。尽管名义上有法律的保护，但以往经验会告诉竞争者，显性知识并不具备长久的价值，以当今的知识传播速度，人们可以通过各种渠道快速掌握显性知识。竞争者更希望寻找更有价值的隐性知识。相对而言，隐性知识在本质上很难被清晰刻画，进一步来说，隐性知识保持了个性，较难形式化，也不容易获取。因此，隐性知识被内化并且自成体系。内化的知识如果经过良好的体悟，将会变成常规化的独特知识，并且会在企业执行熟悉业务的基础上体现出来，成为竞争力的关键要素。
知识的创造过程会集中在隐性知识建构和形式精细化两个方面，更为重要的是要在这两个方面形成交流。这个动态性的行为是一个社会化的序列进程，会经历外部化、内部化和组合化的过程，这些特征吻合了野中郁次郎提出的“知识的螺旋”的核心理念[2]。然而，知识的复杂现象并不容易被隐性和清晰刻画两个方面的特征所囊括。知识系统分类包含了描述性、程序性、隐性、抽象性、专业性、清晰刻画等特征，这些特征具有明显的交叉状态，而逻辑位于系统中心，通过理念、属性、赋值的方法展现出来，并且可以应用于系统中的其他分类。例如专业性知识可以轻而易举地联系到归纳推理，而抽象性知识更易于和演绎推理相关联。图 1展示了知识系统的复杂情况。
这些关于隐性知识和清晰刻画的分类是否会呈现彼此相互分离的状况，或者是处于一种极端的连续状况呢?这就需要认识不同类型的专家诊断，并且联系到以往经验的知识。但有一点不能忽视，存在不同的路径去概念化知识，也存在不同的表述形式。例如传闻、隐喻、示意图，都是表述知识的路径。知识管理蕴含着识别不同表述路径阐述相同知识碎片的情况，这需要通过输入信息、分析文本和转化程序以达到令人满意的目的。人工智能系统可以通过知识系统分类达到管理知识的目的，但能够提供多大程度的支持去捕捉和组织知识呢?这个问题关系到人们是否可以快速分享知识给交流区域的用户。人工智能系统将通过获取数据来支持知识价值链模型，并且会成为一种经验部分存在于智能型组织当中。
2 人工智能系统支持
技术支持无论在知识获取和创造领域还是在知识管理进程方面都具有关键作用。因此，即使在人力资源具有优势的组织中，作为知识管理的组织者和促进者，只要确立了知识管理系统，就必须全力思考管理与技术的相互影响问题。这提供了潜在的知识循环诱导因素，也被野中郁次郎定义为当代智能型组织的核心进程。在知识管理系统的文本中，人工智能系统所扮演的角色是具有潜在性的，并且拥有多种处理形式。这样的系统期望执行某些任务，但是并不会显式编程。人工智能的特征主要集中在智能模拟和智能学习方面。知识管理系统中的人工智能系统从功能上主要分为基于知识的专家系统(KBES)、神经网络(NN)和基于案例的推理系统(CBR)。
2.1 基于知识的专家系统
人工智能的专家系统有别于人类专家的经验咨询，也有别于人类专家运用知识进行决策的行为。这个系统为无专家的组织提供帮助。早在 20世纪80年代中期，就有案例表明这样的系统可以检索一系列的商务运营范围。研究表明 23%的英国商业可以使用类似这样的系统进行技术运营和战略分析[3]5-12。这个专家系统的运作原理如图 2所示，所谓“以知识为基础”包含了事件断定和函数演算两个方面。这两方面紧密结合了推理引擎，体现了逻辑操作和推演回应。
可选择的知识存储结构是数据与操作规则同时作为客体对象，并将其设置在可传递特征的集合组中。特别是知识领域出现自然分层的时候，这种方法具有简便性，语义网络就为这种自然分层的知识提供了技术支持。推理规则的基础必须是硬性规则，能够适用于集合中的元素 x，使得 IF(x)，THEN(y)这样的推理式有效。同时也必须保留探索方法，为有效判断的逻辑规则提供参考。这样的方法也会使用模糊逻辑，在集合中详细刻画连续变量，成为传统二值逻辑的补充。推理引擎所检索的知识都是基于工作记忆中的信息，筛选适合的事件和推演规则，以适用的数学形式或论证形式进行推理。这一步骤需要升级工作记忆库，并且解释选择的数据和规则的原因。这个过程会创造新的知识和事件案例，生成了新的数据选择和规则的循环。无论选择还是合取，系统都可以获取进一步的信息或者是用户先前问题的阐释。这个进程一直持续，直至产生最终输出结果，整体的记忆轨迹都是联系数据和事件的处理规则。最终，依据需要形成文档(见图 2)。
2.2 神经网络
神经网络具备的明显优势在于对不完整数据进行概括和抽象。网络包含了以自然数计数的节点，类似于生物大脑的中枢，通过测算信息链结合在一起，模糊逻辑非常适宜这样的环境。通过输入信息和神经元之间的相互影响产生输出结果，一般而言是一种复杂的函数。神经网络的实质在于能够输出最终决策结果，如果面对同样的输入信息集合，网络测算至少要与人类专家系统的测算功能持平，很多时候会优于人类专家系统的测算。这个成绩基于多次的重复学习循环，包括系统中输入集合与对应知识的运用。节点之间的箭头代表测算链，判断进程体现的是最优化的路径，内置于系统之中。神经网络提供的答案尽量减少与理想型答案之间的误差。进程会在提供不同的数据集合中反复演算，直至出现持续稳定性或者可接受的准确答案。这个阶段的熟练性系统会对输入相似集合的演算形成有效的潜在性帮助。神经网络与知识基础的专家系统不同之处在于并没有内置清晰刻画的知识库，只是输入了数据之间假设的经验联系，功能函数产生了复杂的输出结果，这都是基于前置的经验学习(见图 3)。
2.3 案例推理系统
基于案例的推理是人工智能可选择的另外一个技术，比如 CBR系统，这是基于原生数据(包括曾经的案例和解决方法)的推理方法，而并非基于清晰化的事件和逻辑规则。与神经网络不同之处在于此系统并不是操纵输入信息或者找出信息点之间的联系。它只是选择和展现有帮助的潜在案例，然后配位描述性的问题，并将这种形式提交给新的案例。这种进程在用户的提问与回答中反复迭代，持续发展的新案例被附加到存在的数据库中，以备未来之需。
3 挑战与解决方案
尽管强调人工智能的功能性，但是这些系统依然存在一些质疑，特别是跟真正的生物大脑作比较的时候，擅自调用网络节点对应多样化的问题是否合适?这需要一个充分完备的数据库，而在现实中这样的数据库通常难于实现，这将导致测算链条的准确性大打折扣。即使未来真的出现了纯粹经验集合的数据库，也不能保证神经网络会测算一切可满足性的行为，毕竟纷繁复杂的市场存在正在进行时的经验需要学习，这将导致不切合实际的外延产生。而人类则不同，人类的大脑可以清晰意识到周边环境正在发生变化，这是不需要附加任何机械语句条件的。正 如 亨 德 里 克 斯 (Hendriks)和 威 尔 森(Vriens)指出，知识是知识专家系统和知识管理系统的共同基础。而时下流行的知识管理理念在人工智能和专家系统方面具有先进性，但对随后发展的影响却是不利的[4]。这等同于是说正在发展的专家系统过度强调技术层面，而对知识管理的根源，特别是接近哲学和人力资源的部分视而不见。因此，当务之急是要在隐性知识管理领域里找到破解这个对抗的方法，并且将其内置于人工智能框架之内[5]。
这反映了格拉泽(Glaser)和施特劳斯(Strauss)以归 纳 和 演 绎 循 环 进 程 为 特 征 的 普 遍 性 理论[6]23-25。他们的理论对于研究智能型组织的核心业务进程提供了研究框架。数据的收集来自于法国Baypoint技术中心，这个中心是国际计算机互联网公司 BayNetworksInc.的分支机构，为企业法人、服务供应商、电信运营商提供完备的服务产品线。其内容包括：ATM交换技术、共享媒体、IP服务以及其他网络应用设备，以上这些融入智能组织所适用的互联网发展战略。
3.1 知识价值链的阶段
智能型组织核心业务在于知识价值链理念，主要是应对网络中心的质询。这个业务的主要流程是通过知识数据检索原始信息，其中包含了 5个阶段，并且附加相互链接的价值。
(1)查询。这个功能主要是编辑所需求的原始信息文档。展开普遍式的询问，其阶段包括整体文件检索或呈现关键词检索，其核心特征是所有的进程必须以时效性和便捷性的方式完成。
(2)筛选。这个阶段主要是筛选来自于选择文本的信息和提取特殊知识的任务信息。包括运用持续性叙述序列标准进行分类，确定需求信息的准确位置。
(3)格式化。这个阶段属于基础评估，质询哪个主体需要进入获取信息端口。目的在于提供充分的变量，建设沟通有效性文本，探求可能受关联影响的主体。这个进程包括典型文本格式化、文本检索、文本展现和构图、多媒体及表格程序等等。便利性在于允许用户便捷性确定重要信息之间的关联。
(4)展望。格式化的结果必须能够被个人或群体用户更高效使用。这就包含了使用何种格式化文本在最适宜的媒介上传输。选项有报告、邮件概要、个人数据库、联系文本、内网页面、传真、电话、纸质稿等等。如果在整个进程中需要添加潜在用户确认，那么在格式化阶段，甚至是查询阶段都需要进行迭代设置。
(5)反馈。这个阶段紧密连接知识循环。因为组织若要在信息转化为知识中获取经验，就必须有效发展功能函数，争取进一步获取未来需求的知识。反馈作为最终环节，将会使前 4个阶段纳入新一轮的知识循环当中。
以上 5个阶段聚合在一起构造了知识价值链模型，类 似 于 哈 夫 曼 (Huffma)提 出 的 知 识 循 环 理念[7]。价值链模型将积攒的信息转化为知识，通过反馈阶段的链接，能够升级组织的工作记忆库，反过来促进组织的学习能力提升。
3.2 人工智能系统的标杆分析
没有相应的技术支持，潜在性的知识很难达到最优化的操作。人工智能能否成为知识管理的有效支持技术噬待解答。为了解决这一问题，Bay-point技术中心采用标杆分析法，对于现存的人工智能系统进 行 评 估，评 估 对 象 包 括 Backweb、FulcrumKnowledgeNetwork、KnowledgexEnterprise等几个代表性的系统。评估所采用的标准是知识价值链模型的线上应用部分，测试几个系统如何应对客户咨询。测试的结果是 3款系统都可以对组织提供一些帮助，能够传递客户价值并捕捉有效信息。但是并没有足够的证据表明，这些系统可以在组织的核心业务层中捕捉隐性知识，也不能形成显著的特征描述。而真正的价值就在于隐性知识，这是内置的形式化和信息交流的问题，而隐性知识通常是面对面交流的自然语句。人与人之间的交流互动保持了涵盖知识的唯一源泉。
典型的 Baypoint知识管理文本需要有一线工程师辅助解答客户咨询。客户也许会质疑，通过自动流程产生的人工智能分析结果是否为最优选择。基本的搜索是使用浏览器前端参数引导链接的文本。基于知识的人工智能专家系统虽然能够解决这一问题，但是如果相似案例出现，那么系统会直接检索记忆库，而不是附加新的知识内容。寻找和筛选配位原始咨询的信息，必须使用适用的格式化方法。神经网络可以支持这一功能，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统结合使用。因此，从必要性角度而言，所谓“专家咨询”必须可以直接访问，也就是说需要更深层次的隐性知识转化进程，才可以获取完备性的信息。整体的转化进程需要以一种适用的格式化形式保存在组织记忆库当中。人工智能信息技术的各个系统仿佛各自为战，以不同的阶段存在于知识价值链的循环当中。人工智能需要发展潜在知识的系统对照如表 1[8]。
所以，上述人工智能系统必须附加功能函数，在人员交流的环境语句方面形成突破。这就意味着需要在智能组织中建立功能更为强大的引擎，用以完善知识价值链的标准，同时也能够为人员交流量身制定一种隐性知识表述的系统。
3.3 知识价值链动态模型
在分析了纯粹的人工智能系统对于知识价值链支持的短板之后，就需要拓展研究知识辅助系统和智能代理服务器。聚焦的难题是如何动态应对客户需求，典型的做法是发展动态文本技术支持服务进程，对客户需求进行进一步解释和建议。这个技术结合了人工智能和人类思考的环节，并非是单纯的人工智能方案，大大加强了问题解决能力，提高了使用者的接受程度。类似于这种协作操作系统可以概况出一种特征，即“IA >AI”。这意味着人类心灵附加机械扩充原有的人工智能系统，在效益上超越了只是模仿人类心灵的人工智能系统。将形式化的清晰刻画的机械执行知识与使用者表述的隐性知识结合起来，超越了两者之一的单独运行。原有的知识价值链模型也得到了扩充，成为了知识价值动态循环模型。知识价值链动态循环模型见图 4。
下面模型通过搜索引擎将推理规则内置其中，并且提供多维度信息的准入接口，整个框架被数据模拟技术所支持。数据库确定的专家经验依照以前的创造性贡献。这个模型还表述关于信息的背景知识，提供了混合型文本用以将信息转化成知识。模型的综合能力联系到了人类专家，意味着通向了隐性知识。当客户咨询需要清晰刻画的知识，那么系统就会运用机械方案，如同图 4知识循环链包含的4个阶段，如果遇到非常强烈的隐性知识需求，那么模型就会将质询转化给领域内的专家，如此在质询问题和解决方案之间循环往复。与此同时，该模型还将发生过的案例源源不断存入记忆系统，成为未来有用的知识。
知识价值动态循环模型是知识价值链的拓展，正视了人工智能在知识价值链中的短板，是野中郁次郎“知识的螺旋”理念的一种技术补充。尤其是当智能型组织深入到知识创造过程中的时候，组织在隐性知识方面取得短暂性的竞争优势就更为明显。知识管理的核心业务就是要深挖并发展知识竞争力，将价值链嵌入到业务的核心流程。动态循环模型的价值就在于将人工智能的三个系统融合在一起，在隐性知识和显性知识之间形成动态性的交互，并且能够创造新的知识存入组织的记忆库，形成知识的螺旋(见图 4)。
3.4 开发潜在性功能
当然，隐性知识还意味着可以使用非逻辑的形式，自由凭直觉重新运作，心灵的知识也许包含了高级的人类性格，这些基于人类一生的经验积攒，而不是仅仅的纯逻辑或者客观事实。这种清晰的反机械规则针对计算机科学，当然也包括人工智能。至少，目前的人工智能系统依然难以处理文化、领导力和其他人力资源方面的问题。但这些方面并非无法改进，人工智能系统至少可以作为人机交互的功能部件存在，并且可以保留知识汇总的基本功能，还能提供机械式的支持，促进知识管理进程的发展。因此，应当接受人工智能开发潜在性的功能，用以高效快速地捕捉、重述、转换信息数据。
人工智能也能够处理原始信息，产生高级别的信息指令，对于知识学习提供高效新颖的方法。利用动态循环模型，基于规则的专家系统和神经网络将形成混合系统，提供缺乏部分标准数据的功能函数用以接入嵌入式知识。另外，基于经验的案例可以通过 CBR的路径进行反映，这样就拓展了系统能力，并且削弱了专家系统的质询瓶颈问题。当前的知识管理对于表达隐性知识的确存在困难，但这并不是新颖的问题，知识引擎的理论和实践都要求找出隐性知识的抽象，进而进行编码。知识引擎的必要性条件是要同时处理事件和人类专家的逻辑进程，需要同时进行质询和确认。逻辑或事件推理进程在本质上来说属于高级别的隐性知识。这个过程长期以往都被认为是专家系统的困难。但专家处理系统可以通过捕捉对话和描述回应，在系统中内置规则，捕捉人类心灵的推理规则。尤其是当知识作为专家记忆的存储器的时候，这样的特征更为明显。对于那些语句模糊，或者并不常见的问题，专家系统要么通过经验进行学习，要么通过类似的新事件重新构造知识。
实际上，人类专家形成的结论往往根据不同的规则总结以往的正、反方面的经验。这样的进程类似于 CBR。具有价值的案例可以被重新采用，判断是否适用于下一个阶段，并会形成建议性的问题描述、相关提问、建设性解决方案等等，最终形成新的知识存储在记忆库里。CBR可以通过记忆库中的清晰刻画知识来判断隐性知识的范围，特别是记忆库中被存储后又被重新激活的知识，它的灵活性要强于刚性规则的专家系统。CBR的处理类似于检索功能的进程，需要有代数表格进行配位。而神经网络则应用统计权重测算未来结果。即便没有事实为基础的推理机制和知识记忆库，神经网络也可以正常工作。但是神经系统需要有从属于代数学习机制的数学符号输入。这比当前的计算机更能模仿人类大脑，可以通过类比和中间媒介，选择性输出适用结果。例如笔迹识别就是这样的功能。神经系统还可以创造智能代理，用来寻找配位的资源，用来决定如何分类，并形成新的文档。
所以，理性与经验并非水火不容，统一起来恰为人工智能获得新的进步与发展提供了科学的指向[9]。智能型组织的知识管理系统理应拥有人工智能的三大功能系统(KEBS，NN，CBR)支持，三大技术在各自独立系统中都在不断进化。相反而言，如果摒弃人工智能的技术支持，那么容易形成所谓的“知识筒仓”，虽然各自专家领域内容易获得范畴内的充分知识，却难于介入或者获取潜在用户的交流，这将是处理隐性知识更为不利的方面。国际化及客户需求个性化使组织需要了解不同顾客、行业和地域的知识，这已超出单个组织已有知识储备与积累[10]。因此，就需要一个综合性的灵活工具，将知识的收集、组织、筛选、传递等功能高效统一起来。使知识价值链呈现动态性，配合人工智能三大系统的潜在性支持，将是一种良性的方案。
结论及展望
当前国际竞争形势下，知识被认为是能够产生持续竞争优势和最具价值的战略性资源[11]，有效的知识获取作为企业创新的基础和创新过程的开端，是企业创新能力提升的关键[12]。知识管理系统强调人类视角的隐性知识，在智能型组织中已经成为获取竞争力的关键要素。但是，知识管理同样需要人工智能提供的信息技术，用以经营知识、分享知识。认识到技术的局限性十分重要，特别是管理隐性知识方面，这涉及到知识管理复杂性的动态进程。知识管理进程通过知识价值链清晰刻画出来，人工智能的潜在作用和人机交互综合系统拓展了知识价值链，成为动态的循环系统。加强知识价值链动态循环，内置人工智能系统，将是获取潜在竞争力的重要环节。这种内置人工智能的综合系统正在类似Baypoint这样的智能组织中发挥着重要作用。知识价值链动态循环系统体现了知识螺旋理念，综合了人工智能系统，表达了各种知识集合，涉及人类的隐性知识，具备先进性。
更为重要的是，这种动态循环系统为未来的潜在性知识学习提供了一个分支，反映了拓展知识价值链在智能辅助技术方面的重要性，提供了知识管理方面的人工智能系统支持研究。将来的研究可以细化知识价值链的各个阶段，为应用和拓展知识价值链提供更多的经验文本。