Come BrainPad favorisce la condivisione interna di conoscenze con Amazon Kendra

How BrainPad facilitates internal knowledge sharing with Amazon Kendra.

Questo è un post ospite del Dr. Naoki Okada, Lead Data Scientist presso BrainPad Inc.

Fondata nel 2004, BrainPad Inc. è un partner pionieristico nel campo dell’utilizzo dei dati, aiutando le aziende a creare business e migliorare la loro gestione attraverso l’utilizzo di dati. Fino ad oggi, BrainPad ha aiutato più di 1.300 aziende, principalmente leader del settore. BrainPad ha il vantaggio di fornire un servizio completo dalla formulazione di una strategia di utilizzo dei dati alla proof of concept e all’implementazione. Lo stile unico di BrainPad è quello di lavorare insieme ai clienti per risolvere i problemi sul campo, come i dati che non vengono raccolti a causa di una struttura organizzativa siloed o dati esistenti ma non organizzati.

Questo post discute come strutturare la condivisione interna della conoscenza utilizzando Amazon Kendra e AWS Lambda e come Amazon Kendra risolve gli ostacoli attorno alla condivisione della conoscenza che molte aziende affrontano. Riassumiamo gli sforzi di BrainPad in quattro aree chiave:

• Quali sono i problemi di condivisione della conoscenza che molte aziende affrontano?
• Perché abbiamo scelto Amazon Kendra?
• Come abbiamo implementato il sistema di condivisione della conoscenza?
• Anche se uno strumento è utile, è inutile se non viene utilizzato. Come abbiamo superato la barriera all’adozione?

Problemi di condivisione della conoscenza che molte aziende affrontano

• Come Forethought risparmia oltre il 66% dei costi per i modelli di intelligenza artificiale generativi utilizzando Amazon SageMaker.
• AI Time Journal presenta un innovativo eBook sulle tendenze dell’AI nel 2023.
• Linee guida per l’era della guerra dell’AI.

Molte aziende raggiungono i loro risultati dividendo il lavoro in diverse aree. Ciascuna di queste attività genera nuove idee ogni giorno. Questa conoscenza si accumula su base individuale. Se questa conoscenza può essere condivisa tra le persone e le organizzazioni, possono essere creati sinergie nel lavoro correlato e l’efficienza e la qualità del lavoro aumenteranno drasticamente. Questo è il potere della condivisione della conoscenza.

Tuttavia, ci sono molte barriere comuni alla condivisione della conoscenza:

• Pochi sono proattivamente coinvolti, e il processo non può essere sostenuto a lungo a causa di programmi impegnativi.
• La conoscenza è dispersa su più media, come wiki interni e PDF, rendendo difficile trovare le informazioni necessarie.
• Nessuno inserisce la conoscenza nel sistema di consolidamento della conoscenza. Il sistema non verrà ampiamente utilizzato a causa della sua scarsa capacità di ricerca.

Anche la nostra azienda si è trovata in una situazione simile. Il problema fondamentale della condivisione della conoscenza è che, sebbene la maggior parte dei dipendenti abbia una forte necessità di ottenere conoscenza, ha poca motivazione per condividere la propria conoscenza a un costo. Cambiare il comportamento dei dipendenti solo per lo scopo della condivisione della conoscenza non è facile.

Inoltre, ogni dipendente o dipartimento ha il proprio metodo preferito per accumulare conoscenza, e cercare di forzare l’unificazione non porterà a motivazione o prestazioni nella condivisione della conoscenza. Questo è un mal di testa per la gestione, che vuole consolidare la conoscenza, mentre quelli sul campo vogliono avere la conoscenza in modo decentralizzato.

Nella nostra azienda, Amazon Kendra è il servizio cloud che ha risolto questi problemi.

Perché abbiamo scelto Amazon Kendra

Amazon Kendra è un servizio cloud che ci consente di cercare informazioni interne da un’interfaccia comune. In altre parole, è un motore di ricerca specializzato nelle informazioni interne. In questa sezione, discutiamo le tre ragioni chiave per cui abbiamo scelto Amazon Kendra.

Facile aggregazione della conoscenza

Come accennato nella sezione precedente, la conoscenza, anche quando esiste, tende ad essere dispersa su più media. Nel nostro caso, era dispersa sul nostro wiki interno e su vari file di documento. Amazon Kendra fornisce potenti connettori per questa situazione. Possiamo facilmente importare documenti da una varietà di media, tra cui groupware, wiki, file Microsoft PowerPoint, PDF e altro, senza alcun problema.

Ciò significa che i dipendenti non devono cambiare il modo in cui archiviano la conoscenza per condividerla. Sebbene l’aggregazione della conoscenza possa essere temporaneamente realizzata, è molto costosa da mantenere. La capacità di automatizzare questo è stata un fattore molto desiderabile per noi.

Ottima capacità di ricerca

Ci sono molti groupware e wiki là fuori che eccellono nell’input di informazioni. Tuttavia, spesso hanno debolezze nell’output di informazioni (capacità di ricerca). Questo vale soprattutto per la ricerca giapponese. Ad esempio, in inglese, il matching a livello di parole fornisce un livello ragionevole di capacità di ricerca. In giapponese, tuttavia, l’estrazione di parole è più difficile, e ci sono casi in cui il matching viene fatto separando le parole da un numero appropriato di caratteri. Se una ricerca per “Tokyo-to (東京都)” viene separata da due caratteri, “Tokyo (東京)” e “Kyoto (京都)”, sarà difficile trovare la conoscenza che si sta cercando.

Amazon Kendra offre una grande capacità di ricerca tramite il machine learning. Oltre alle tradizionali ricerche con parole chiave come “tendenze tecnologiche”, le ricerche in linguaggio naturale come “voglio informazioni sulle nuove iniziative tecnologiche” possono notevolmente migliorare l’esperienza dell’utente. La capacità di cercare in modo appropriato le informazioni raccolte è il secondo motivo per cui abbiamo scelto Amazon Kendra.

Costo di proprietà ridotto

Gli strumenti IT che si specializzano nella raccolta e nel recupero di conoscenze sono chiamati sistemi di ricerca aziendale. Un problema nell’implementazione di questi sistemi è il costo. Per un’organizzazione con diverse centinaia di dipendenti, i costi di gestione possono superare i 10 milioni di yen all’anno. Non è un modo economico per avviare un’iniziativa di condivisione delle conoscenze.

Amazon Kendra viene offerto a un costo molto inferiore rispetto alla maggior parte dei sistemi di ricerca aziendale. Come già accennato, le iniziative di condivisione delle conoscenze non sono facili da implementare. Volevamo iniziare in modo piccolo, e il basso costo di proprietà di Amazon Kendra è stato un fattore chiave nella nostra decisione.

Inoltre, la facilità di implementazione e la flessibilità di Amazon Kendra sono anche grandi vantaggi per noi. La sezione successiva riassume un esempio della nostra implementazione.

Come abbiamo implementato il sistema di condivisione delle conoscenze

L’implementazione non è un processo di sviluppo esagerato; può essere fatto senza codice seguendo il flusso di elaborazione di Amazon Kendra. Ecco cinque punti chiave nel processo di implementazione:

• Fonte di dati (accumulo di conoscenze) – Ogni dipartimento e dipendente della nostra azienda teneva frequentemente sessioni di studio interne, e attraverso queste attività, le conoscenze venivano accumulati in diversi media, come wiki e vari tipi di archiviazione. In quel momento, era facile rivedere le informazioni dalle sessioni di studio in seguito. Tuttavia, per estrarre conoscenze su una specifica area o tecnologia, era necessario rivedere ogni Nisoo in dettaglio, il che non era molto comodo.
• Connettori (aggregazione delle conoscenze) – Con la funzionalità di connettività in Amazon Kendra, siamo stati in grado di collegare le conoscenze sparse in tutta l’azienda in Amazon Kendra e raggiungere la ricerca trasversale. Inoltre, il connettore viene caricato tramite un account limitato, consentendo un’implementazione attenta alla sicurezza.
• Motore di ricerca (trovare informazioni) – Poiché Amazon Kendra ha una pagina di ricerca per i test di usabilità, siamo stati in grado di testare rapidamente l’usabilità del motore di ricerca immediatamente dopo il caricamento dei documenti per vedere che tipo di conoscenza poteva essere trovata. Questo è stato molto utile per solidificare l’immagine del lancio.
• UI di ricerca (pagina di ricerca per gli utenti) – Amazon Kendra ha una funzionalità chiamata Experience Builder che espone lo schermo di ricerca agli utenti. Questa funzionalità può essere implementata senza codice, il che è stato molto utile per ottenere feedback durante l’implementazione di test. Oltre a Experience Builder, Amazon Kendra supporta anche implementazioni API Python e React.js, quindi alla fine possiamo fornire pagine di ricerca personalizzate ai nostri dipendenti per migliorare la loro esperienza.
• Analytics (monitoraggio delle tendenze di utilizzo) – Un sistema di ricerca aziendale è utile solo se molte persone lo utilizzano. Amazon Kendra ha la capacità di monitorare quante ricerche vengono effettuate e per quali termini. Utilizziamo questa funzionalità per monitorare le tendenze di utilizzo.

Abbiamo anche alcune domande e risposte relative alla nostra implementazione:

• Quali sono state alcune delle sfide nel raccogliere le conoscenze interne? Abbiamo dovuto iniziare raccogliendo le conoscenze che ogni dipartimento e dipendente aveva, ma non necessariamente in un luogo che poteva essere direttamente collegato ad Amazon Kendra.
• Come abbiamo tratto vantaggio da Amazon Kendra? Avevamo provato a condividere le conoscenze molte volte in passato, ma spesso senza successo. Le ragioni erano l’aggregazione delle informazioni, la ricerca, i costi operativi e i costi di implementazione. Amazon Kendra ha funzionalità che risolvono questi problemi, e l’abbiamo lanciato con successo in circa 3 mesi dalla concezione. Ora possiamo utilizzare Amazon Kendra per trovare soluzioni a compiti che in precedenza richiedevano le conoscenze di singoli dipendenti o dipartimenti come conoscenza collettiva di tutta l’organizzazione.
• Come abbiamo valutato la capacità di ricerca del sistema e cosa abbiamo fatto per migliorarla? In primo luogo, molti dipendenti hanno interagito con il sistema e hanno fornito feedback. Un problema che è emerso all’inizio dell’implementazione è stato che c’era una dispersione di informazioni che avevano poco valore come conoscenza. Questo perché alcune delle fonti di dati contenevano informazioni da post di blog interni, ad esempio. Stiamo continuamente lavorando per migliorare l’esperienza dell’utente selezionando le fonti di dati giuste.

Come già accennato in precedenza, utilizzando Amazon Kendra, siamo riusciti a superare molti ostacoli di implementazione a costo minimo. Tuttavia, la sfida più grande con questo tipo di strumento è la barriera all’adozione che viene dopo l’implementazione. La sezione successiva fornisce un esempio di come abbiamo superato questa difficoltà.

Come abbiamo superato la barriera all’adozione

Hai mai visto uno strumento che hai impiegato molto sforzo, tempo e denaro per implementare diventare obsoleto senza un uso diffuso? Non importa quanto sia efficace la funzionalità nel risolvere i problemi, non sarà efficace se le persone non lo usano.

Una delle iniziative che abbiamo preso con il lancio di Amazon Kendra è stata quella di fornire un chatbot. In altre parole, quando si fa una domanda in uno strumento di chat, si ottiene una risposta con la conoscenza appropriata. Poiché tutti i nostri dipendenti in telelavoro utilizzano uno strumento di chat quotidianamente, l’utilizzo di chatbot è molto più compatibile che far loro aprire una nuova schermata di ricerca nei loro browser.

Per implementare questo chatbot, utilizziamo Lambda, un servizio che ci consente di eseguire programmi senza server e basati sugli eventi. In particolare, viene implementato il seguente flusso di lavoro:

1. Un utente invia una domanda al chatbot con una menzione.
2. Il chatbot emette un evento a Lambda.
3. Una funzione Lambda rileva l’evento e cerca la domanda in Amazon Kendra.
4. La funzione Lambda pubblica i risultati della ricerca nello strumento di chat.
5. L’utente visualizza i risultati della ricerca.

Questo processo richiede solo pochi secondi e fornisce un’esperienza utente di alta qualità per la scoperta della conoscenza. La maggior parte dei dipendenti è stata esposta al meccanismo di condivisione della conoscenza attraverso il chatbot, e non c’è dubbio che il chatbot abbia contribuito alla diffusione del meccanismo. E poiché ci sono alcune aree che non possono essere coperte solo dal chatbot, abbiamo anche chiesto loro di utilizzare la schermata di ricerca personalizzata in congiunzione con il chatbot per fornire un’esperienza utente ancora migliore.

Conclusione

In questo post, abbiamo presentato uno studio di caso di Amazon Kendra per la condivisione della conoscenza e un esempio di implementazione di un chatbot usando Lambda per propagare il meccanismo. Non vediamo l’ora di vedere Amazon Kendra fare un altro salto in avanti mentre i modelli di linguaggio su larga scala continuano a evolversi.

Se sei interessato a provare Amazon Kendra, dai un’occhiata a “Miglioramento della ricerca aziendale con Amazon Kendra”. BrainPad può anche aiutarti con la condivisione interna della conoscenza e lo sfruttamento dei documenti utilizzando l’IA generativa. Contattaci per ulteriori informazioni.