eGain ser tillbaka på AI:s och kunskapshanteringens historia

Utvecklingen inom artificiell intelligens (AI) och kunskapshantering (Knowledge Management, KM) har kännetecknats av återkommande cykler där stora investeringar och ambitiösa visioner ställts mot verklighetens utmaningar. eGain Corporation analyserar i sin blogg historiska lärdomar som är relevanta för den nuvarande AI-boomen.

Under 1980-talet satsade företag kraftigt på AI, särskilt experthsystem, som syftade till att fånga och skala upp expertkunskap. Exempel inkluderar GE:s DELTA-system för lokreparationer och Digital Equipment Corporations XCON för konfiguration av datorsystem. Case-Based Reasoning (CBR) framträdde också som en metod för att lösa nya problem genom att anpassa lösningar från tidigare fall.

Senare, under slutet av 1980-talet och 1990-talet, växte kunskapshantering (KM) fram med bredare ambitioner att fånga all organisationskunskap, inklusive dokument, processer och tyst kunskap. Målet var att förbättra kunskapsdelning och utnyttjande inom företag. Plattformar utvecklades för kunskapsrepositories och samarbete, men även kulturella skiften betonades för att främja en kultur av kunskapsdelning.

Trots ambitionerna stötte många AI- och KM-initiativ på svårigheter. Tekniska begränsningar, såsom experthsystemens stelhet och problem med hämtning i CBR-system, tillsammans med astronomiska utvecklingskostnader och svårigheter att bevisa avkastning (ROI), bromsade framstegen. Överdrivna försäljningsargument ledde också till besvikelser när systemen inte levererade transformerande resultat. Inom KM visade sig särskilt tyst kunskap vara svår att fånga, och uppdatering av information samt effektivitet i sökningar förblev bristfälliga.

Dessa historiska erfarenheter erbjuder värdefulla insikter för den nuvarande AI-utvecklingen. eGain Corporation menar att det är avgörande att förstå både löftena och utmaningarna med tidigare teknologier för att undvika liknande fallgropar och bygga hållbara, värdeskapande lösningar.