Wissensprobleme können KI untergraben, so eGain
eGain Corporation identifiziert Wissensprobleme, nicht Modellfehler, als Hauptursache für mangelnde KI-Zuverlässigkeit. Das Unternehmen betont die Notwendigkeit einer vertrauenswürdigen Wissensgrundlage für den KI-Erfolg.
Laut eGain Corporation sind die häufigsten Probleme bei KI-Systemen nicht auf fehlerhafte Modelle zurückzuführen, sondern auf mangelhaftes oder veraltetes Wissen. Das Unternehmen stellt fest, dass KI-Systeme, die auf falschen Annahmen anstatt auf verlässlichen Wissensgrundlagen aufbauen, erhebliche Schwierigkeiten verursachen können.
Diese Probleme treten oft erst dann zutage, wenn die KI in den täglichen Betrieb integriert wird. Ungenaue Antworten, widersprüchliche Anleitungen oder Empfehlungen, die nicht mit den aktuellen Praktiken übereinstimmen, können das Vertrauen der Benutzer untergraben. Obwohl diese Diskrepanzen einzeln geringfügig sind, summieren sie sich und erhöhen die Betriebskosten sowie verringern die Gesamteffizienz.
Bemühungen zur Diagnose von KI-Unzuverlässigkeit konzentrieren sich häufig auf Modelle oder Daten, wobei das zugrunde liegende Wissen übersehen wird. Dieses Wissen ist oft fragmentiert, veraltet oder in Personalabteilungen siloartig gespeichert. Ohne saubere, strukturierte Inhalte kämpft die KI damit, aktuelle Informationen von älteren Prozessen zu unterscheiden, was zu fehlerhaften Ergebnissen und falschen Ratschlägen führt.
eGain plädiert für einen modernen Ansatz im Wissensmanagement, den es als kontinuierlichen Prozess definiert, um sicherzustellen, dass Anleitungen klar, aktuell und vertrauenswürdig sind. Erfolgreiche KI-Implementierungen beginnen laut Unternehmen damit, Kunden- und Mitarbeiteranfragen zu analysieren. Diese Daten decken die kritischsten Inhalte und Fragen auf und bilden die Grundlage für eine kohärente und einheitliche Wissensbasis, die die betrieblichen Praktiken und die Bedürfnisse der Benutzer genau widerspiegelt.