Como a IA generativa pode melhorar sua gestão do conhecimento
21 de fevereiro · 5 minutos de leitura
Todos nós já passamos por isso – quando enfrentamos um problema ou uma solicitação urgente, recorremos à base de conhecimentos para obter ajuda. Nós frequentemente vasculhamos um conjunto interminável de documentos, apenas para descobrir que nada corresponde à nossa situação. Como sempre, o inevitável ticket para o service desk torna-se nosso último recurso, deixando-nos esperando até que a equipe de TI responda. Tudo isso poderia ter sido evitado se houvesse acesso fácil às soluções relevantes desde o início.
Portanto, uma estratégia organizada de gestão do conhecimento pode ser a diferença entre uma resolução rápida de problemas e um tempo de inatividade prolongado. No entanto, apesar dos seus benefícios claros, muitas organizações ainda parecem enfrentar resultados abaixo do ideal. De acordo com o The AXELOS ITSM Benchmarking Report 2022, a gestão do conhecimento é a sexta prática de ITIL® mais adotada. No entanto, ela tem um nível de sucesso autorreportado de apenas 20%.
Uma das principais razões é que os sistemas tradicionais de gestão do conhecimento frequentemente são estáticos e unidimensionais, no sentido de que dependem de curadoria manual e atualização das informações. Além disso, o conhecimento é uma entidade dinâmica que exige evolução constante para manter a sua relevância.
Felizmente, os avanços tecnológicos recentes ajudaram a preencher essas lacunas, posicionando a gestão do conhecimento para a transição de uma atividade administrativa de documentação e compartilhamento de informações para uma abordagem mais interativa e inteligente.
Alimentados pela IA e machine learning, estes avanços, especialmente na forma de ferramentas de IA generativa, podem ajudar as organizações a gerar e disseminar conhecimentos com mais eficiência do que nunca.
A IA generativa é apenas para os gigantes da tecnologia?
Atualmente, as empresas estão começando a entender como a IA generativa pode ser utilizada para enfrentar as dificuldades de coleta, organização e transferência de conhecimentos em toda a empresa. Os grandes modelos de linguagem (LLMs) trouxeram uma onda de inovação para tarefas como geração de texto e compreensão da linguagem. Entretanto, a sua grande escala e exigências computacionais limitaram sua adoção apenas a organizações com amplas capacidades financeiras e tecnológicas.
Embora os LLMs disponíveis publicamente, como GPT-4 e PaLM 2, demonstrem um desempenho impressionante, a simples aplicação desses modelos a casos de uso corporativo pode representar alguns desafios para a utilização pelas empresas. Além disso, as organizações menores podem não ter os recursos para aproveitá-los.
Seguem abaixo algumas áreas importantes onde as organizações encontram-se em apuros com modelos genéricos:
| Falta de dados e contexto específicos do domínio | Os modelos de propósito geral respondem eficazmente a perguntas genéricas, mas não tão bons quando perguntados sobre produtos ou serviços específicos. Esta lacuna de conhecimentos torna os modelos propensos a alucinações e vieses. |
| Treinamento e manutenção com uso intensivo de recursos | O treinamento e manutenção de LLMs envolvem recursos substanciais e requisitos computacionais, tornando esses modelos exclusivos para organizações bem financiadas. |
| Falta de segurança de dados | As preocupações envolvem a segurança e privacidade dos dados proprietários das organizações. As organizações preferem ter esses dados sob seu controle do que permitir que um LLM voltado ao público os treine. |
Para que as empresas possam colher todos os benefícios da IA generativa na sua estratégia de gestão do conhecimento, elas devem primeiramente superar estes desafios. Recentemente, percebeu-se que o caminho a ser trilhado para explorar o verdadeiro potencial da IA generativa é migrar para modelos menores e mais específicos do domínio. Estes pequenos modelos de linguagem, ao serem treinados no corpus de dados da organização, podem oferecer capacidades similares às dos seus homólogos maiores, porém de uma maneira mais eficiente em termos de recursos. Isto tornará a IA generativa mais acessível a um público mais amplo.
Aqui estão alguns fatores que impulsionam o desenvolvimento de modelos de linguagem menores:
| Personalização aprimorada | Modelos de linguagem pequenos, quando treinados em casos de uso específicos de domínio e dados corporativos internos, fornecem um maior nível de personalização adaptado às necessidades exclusivas da organização. |
| Treinamento e implantação gerenciáveis | O treinamento e implantação desses modelos são mais gerenciáveis, exigindo muito menos dados de treinamento e hardware menos potente. Isso resulta em reduções substanciais de custos para a organização no longo prazo. |
| Controle de dados | Treinar o modelo nos conjuntos de dados selecionados em um ambiente controlado ajuda a proteger informações confidenciais e manter a privacidade, reduzindo o risco de acesso não autorizado às informações corporativas. |
O surgimento de pequenos modelos de linguagem marca um momento crucial na IA, ajudando-nos a desbloquear inúmeros usos na gestão do conhecimento empresarial. Vamos explorar então como a IA generativa pode ajudar os service desks a enfrentar os desafios inerentes ao compartilhamento de conhecimentos em toda a empresa.
3 maneiras pelas quais as equipes de service desk podem otimizar sua gestão do conhecimento com a IA generativa
1. Criação de conhecimento: Enriqueça sua base de conhecimentos gerando artigos detalhados de soluções
Converter conhecimentos implícito em explícitos é fundamental para uma gestão do conhecimento bem-sucedida. Essa conversão exige informações detalhadas de vários técnicos e especialistas no assunto. Com suas agendas já ocupadas, eles nem sempre terão tempo para registrar o processo de resolução e escrever artigos de solução para a base de conhecimentos.
Felizmente, com recursos generativos de IA, os técnicos podem acelerar o processo de redação convertendo diversas informações, como dados encontrados nas notas, anexos ou registros de trabalho de um ticket, em artigos completos. Com base no treinamento prévio sobre dados de tickets e outros artigos de solução, os modelos de linguagem podem extrair informações do conhecimento previamente capturado. Essas informações são utilizadas então para gerar artigos de solução detalhados.
Isso simplifica o processo de redação para os técnicos, pois revisar a solução gerada é muito mais fácil do que criar uma do zero. A criação de documentos de conhecimentos complexos para diferentes tipos de tickets pode ajudar os service desks a melhorar sua base de conhecimentos ao longo do tempo.
2. Descoberta do conhecimento: Melhore a busca de conhecimentos preenchendo a lacuna semântica
Para maximizar sua base de conhecimentos, você precisa primeiramente otimizar a descoberta do conhecimento. Cada momento economizado no processo de descoberta do conhecimento é uma vitória, considerando que o funcionário médio gasta cerca de 3,6 horas por dia em busca de informações.
A lacuna semântica, que é o gap entre o que os usuários pretendem encontrar e os resultados da pesquisa que recebem, sempre foi uma desvantagem significativa da gestão do conhecimento estático. Os sistemas tradicionais que dependem de uma sobreposição rígida de palavras-chave muitas vezes não conseguem entender a intenção do usuário e o contexto específico.
É por isso que é importante ter um sistema de gestão do conhecimento que ofereça uma função de pesquisa intuitiva para ajudar os usuários a encontrarem respostas específicas ao contexto. Com os recursos avançados de processamento de linguagem natural da IA generativa, tornou-se possível combinar a intenção de um pesquisador com respostas relevantes.
Como os modelos de linguagem são projetados para entender as nuances sutis da linguagem humana, eles podem gerenciar diversas entradas do usuário, independentemente de como as perguntas são formuladas. Consequentemente, os usuários não precisam mais depender de palavras-chave ou frases específicas, tornando a busca e descoberta do conhecimento mais fácil e natural.
3. Consumo do conhecimento: Promova o autoatendimento ao fornecer respostas contextuais e personalizadas
O autoatendimento sempre foi considerado um dos objetivos finais da gestão do conhecimento bem-sucedida. Ao passar do método tradicional de navegar pelas informações para uma abordagem mais intuitiva de perguntas e respostas, os sistemas de gestão do conhecimento com capacidades de conversação avançadas podem redefinir a experiência do usuário final.
Quando os usuários não conseguem resolver seus problemas em função de artigos de solução pouco claros ou muito longos, são forçados a enviar um ticket para o service desk. Em vez de direcionar o usuário para um monte de artigos de conhecimento e fornecê-los como eles estão, a IA generativa pode fornecer um trecho ou resumo de artigos relevantes na sua resposta.
Isso permite que os usuários entendam a essência das informações rapidamente sem ter que vasculhar um conteúdo extenso. Se os usuários finais puderem encontrar suas soluções nessas respostas geradas, é mais provável que evitem entrar em contato com o service desk.
Considerações finais
Está claro que a IA generativa pode aprimorar significativamente a capacidade de uma organização melhorar e compartilhar conhecimentos em toda a empresa. Da geração avançada de conteúdo à extração automatizada de conhecimentos, as tecnologias de IA generativa estão abrindo caminho para que as organizações aproveitem o pleno potencial dos seus dados.
Ainda temos que explorar todas as possibilidades da IA generativa adequadamente em casos de uso empresarial. Mas não há dúvida de que, ao combinar dados empresariais valiosos com as proezas da IA de maneira transparente, estamos próximos de uma nova era onde o conhecimento será mais dinâmico e acessível do que nunca!
Sobre a autora
