自 ChatGPT、Google Bard、Amazon 大型语言模型和 Microsoft Bing 等工具发布以来，人们对生成式 AI 能力的兴趣日益增长。热潮之下，也伴随着对隐私、PII（个人身份信息）、安全性以及更重要的准确性的担忧。这些担忧不无道理。
尽管组织认为生成式 AI 工具是颠覆性力量，但在接受此类工具时仍持谨慎态度。许多企业正在努力寻找一个平衡点，既能立即利用其优势，又能为未来确定生成式 AI 更具战略性的用途，同时不影响安全性。
组织内部可以立即获得收益的一个领域是知识管理。这项举措对许多组织而言一直颇具挑战，但它能够提升员工工作效率，并为通常需要手动维护知识内容的支持团队带来显著收益。
生成式 AI 与知识管理如何结合
生成式 AI 是一种能够基于现有数据创建新内容的人工智能，例如图像、文本甚至音乐。它使用机器学习算法分析大型数据集并从中学习，再基于该分析生成新内容。
另一方面，知识管理是指在组织内部获取、组织和共享知识的过程。它涉及从各种来源收集信息，将其存储在集中式数据库中，并在员工需要时让他们能够轻松访问。
许多组织依靠人工维护知识管理，这可能导致内容过时或质量不佳。通过自动化知识管理所涉及的许多任务，生成式 AI 可以帮助提升知识管理流程的效率和效果。
生成式 AI 可通过以下几种具体方式优化知识管理：
1. 自动创建知识文章
生成式 AI 可以基于现有数据源自动创建知识文章，例如产品文档、客户支持工单和员工培训材料。这种自动化可以让 IT 专业人员腾出时间专注于更具战略性的任务，例如制定新的知识管理举措，以及提升现有知识文章的质量。
2. 提升知识质量
生成式 AI 可以通过识别并纠正错误、归档旧信息，以及为知识文章添加上下文和补充信息来提升知识质量。这有助于确保员工能够访问准确且最新的信息。
3. 生成新的想法和洞察
生成式 AI 可以通过以新的方式组合现有知识，生成新的想法和洞察。例如，人力资源、设施和 IT 部门都可能有讨论组织内员工入职和离职流程的文章。
生成式 AI 可以查看这些文章，并生成一篇合并后的知识文章，阐述跨这三个领域的端到端入职和离职流程。这样员工就无需在三个不同领域分别搜索。
4. 更快速地解决问题
生成式 AI 可以通过识别数据中的模式和趋势，快速解决问题。这有助于组织做出更明智的决策，并提升整体绩效。
例如，生成式 AI 可以查看特定时间段内的 IT 事件，并为一组常见问题识别出通用的解决方法。基于其发现，它可以为服务台坐席生成知识文章，帮助他们更快解决问题，也帮助员工通过自助服务自行解决问题。
5. 创建更具吸引力的内容
生成式 AI 可以通过为每位用户进行个性化定制，创建更具吸引力的内容，帮助组织改善客户体验。知识文章，尤其是人力资源知识领域的文章，会根据地区或语言进行个性化定制。能够生成符合员工角色画像的专属内容，将极大提升员工的使用效果和体验。
生成式 AI 有哪些弊端？
与知识管理结合的生成式 AI 解决方案有潜力为许多行业和领域带来变革。然而，它也并非没有弊端，包括：
1. 安全与隐私
用于知识管理的生成式 AI 系统可能包含敏感或机密信息。因此，确保这些系统安全并受到保护以抵御网络威胁至关重要。此外，还可能存在隐私方面的担忧，尤其是当 AI 生成的内容包含个人信息或可识别身份的信息时。
例如，生成式 AI 可以创建看似逼真的恶意软件和网络钓鱼攻击。这些攻击可用于窃取个人信息、财务数据或其他敏感信息。
2. 质量与准确性
虽然生成式 AI 模型可以产出令人印象深刻的结果，但其质量和准确性会因输入数据和任务复杂度而存在很大差异。“垃圾进，垃圾出”这句老话依然适用。此外，确保 AI 能够访问准确且最新的信息也可能并不容易，这会影响其生成内容的质量。
例如，ChatGPT 的训练数据收集自互联网并定期更新。然而，当前版本的 ChatGPT 是基于截至 2021 年 9 月收集的数据进行训练的。这意味着 ChatGPT 可能无法回答有关 2021 年 9 月之后时事或新闻话题的问题。
3. 数据偏见
生成式 AI 模型可能会无意中反映其训练数据中存在的偏见和成见，从而导致结果有偏或不准确。在知识管理应用中，准确性至关重要，因此这种数据偏见尤其令人担忧。
例如，如果某个模型基于主要来自美国的文本数据集进行训练，该模型生成与其他国家/地区用户相关文本的可能性可能较低。
生成式 AI 为组织提供了通过提升质量、创建引人入胜的内容和实现自动化来增强知识管理的机会。但在实施过程中也需要谨慎。了解在组织中将生成式 AI 与知识管理成功结合使用所需具备的条件。
