Les lacunes de connaissance peuvent saper l'IA, selon eGain
eGain Corporation identifie les problèmes de connaissance, et non les défauts de modèle, comme la cause principale du manque de fiabilité de l'IA. L'entreprise souligne la nécessité d'une base de connaissances fiable pour le succès de l'IA.
Selon eGain Corporation, de nombreux problèmes de fiabilité des systèmes d'IA ne sont pas dus à des modèles défectueux, mais à des bases de connaissances médiocres ou obsolètes. L'entreprise affirme que les systèmes d'IA construits sur des hypothèses erronées plutôt que sur des fondations de connaissances fiables peuvent entraîner des difficultés importantes.
Ces problèmes surviennent souvent une fois que l'IA est intégrée dans les opérations quotidiennes. Des réponses inexactes, des directives contradictoires ou des recommandations qui ne correspondent pas aux pratiques actuelles peuvent éroder la confiance des utilisateurs. Bien que mineures individuellement, ces divergences s'accumulent, augmentant les coûts opérationnels et réduisant l'efficacité globale.
Les efforts visant à diagnostiquer le manque de fiabilité de l'IA se concentrent souvent sur les modèles ou les données, négligeant les connaissances sous-jacentes. Ces connaissances sont souvent fragmentées, obsolètes ou cloisonnées au sein du personnel. Sans contenu clair et structuré, l'IA peine à distinguer les informations actuelles des processus hérités, ce qui entraîne des résultats erronés et des conseils fallacieux.
eGain préconise une approche moderne de la gestion des connaissances, la définissant comme un processus continu visant à garantir que les directives sont claires, à jour et fiables. Les implémentations d'IA réussies, selon l'entreprise, commencent par l'analyse des demandes des clients et des employés. Ces données révèlent le contenu et les questions les plus critiques, formant la base d'une base de connaissances cohérente et unifiée qui reflète avec précision les pratiques organisationnelles et les besoins des utilisateurs.