业界｜认知计算和知识工作的革命

选自kmworld

机器之心编译

参与：沈泽江、Jane W、吴攀

在未来十年，由于社交媒体处于最后阶段，认知计算（cognitive computing）将对机构组织造成颠覆性影响，甚至可能更甚。事实上，Gartner 预测智能机器时代（smart machine era）将是 IT 历史上最具颠覆性的。我们正处于涉及基本人类过程（human processes）的范式转变的边缘，这些人类过程引导了信息发现、洞察、问题解决以及决策的制定。

认知计算、机器学习和预测分析将渗透我们生活的各个方面，从根本上改变我们在数字生活中学习和互动的方式。内容管理、协作和整个搜索体验将更加自动化、无缝化和个性化。结果是，我们将更严重的依赖于计算机，同时与它们形成越来越复杂、甚至亲密的关系。

而未来已经如此，至少认知计算已经被许多领域率先采用。认知能力开始在诸如医疗保健、软件、金融服务和石油和天然气勘探等行业中发挥重要作用。在 2016 年美国生产力与质量中心（APQC）的知识管理（APQC‘s knowledge management）观众调查中，9％的参与者表示，他们的机构已经在使用认知技术，另有 17％的计划或认真考虑使用认知应用-（见第 21 页图表，KMWorld 2017 年 1 月第 26 期第 1 刊）-。在此刻，各机构需要开始修改他们的战略并在员工如何创建、共享、访问和应用机构知识方面做好应对未来变化的准备。

认知计算对知识管理（knowledge management）的影响尚未完全明朗，但是知识管理专业人员需要了解认知计算可以做什么以及如何适应它。为了探讨认知技术对知识管理能力和计划的影响，APQC 召开了第 9 届知识管理高级工作组会议（KM Advanced Working Group），参加会议的成员来自 APQC、德勤、安永、NASA、辉瑞以及美国陆军训练与教导司令部。他们一起研究了利用认知计算来管理和提供企业知识的机遇性和潜在应用场景。

什么是认知计算？

认知计算是用于模拟人类思维过程的计算机化模型的统称。根据德勤报告，认知系统可以「处理远远超出人类能力的信息，识别模式并提供潜在的解决方案，而这些通过传统的分析方式，人类可能永远无法识别。」

真正的认知系统结合了机器学习算法（使得软件能够基于经验改进）与高级数据挖掘能力（有助于识别大型数据集内的模式和关系）和自然语言处理（使得计算机能够理解人类语言并作出反应）。也许最知名的认知解决方案是 IBM 的 Watson，它使用自然语言处理和机器学习来从大量非结构化数据中理解问题。

这些算法使得认知系统能够筛选大量的结构化和非结构化内容并针对用户的搜索或提问提供个性化的、直觉的反应。随着认知模型的扩展并不断纳入新的数据和信息，它们逐渐变得更加全面和准确。

新兴认知革命的基础

传统上，计算机在有清楚定义的答案对错明确的查询方面是优异的。软件在过去二十年变得越来越复杂，因此当今的认知系统和机器学习应用程序能更加动态地处理问题。这使它们能够处理更复杂的问题，根据流入的新信息来改进它们的反应，并在众多可行的可能方案中判断最佳选择。这些能力可能最终使得认知系统能够对人类典型的的多方面、上下文关联的查询类型做出反应。

APQC 的 KM Advanced Working Group 假设了三种现象将推动认知采纳（cognitive adoption）的新兴浪潮。

第一个因素是机构和员工可用的大量数据。根据位于新加坡和印度的 Aureus Analytics 的分析，全球 90％的数据是在过去两年间创造的，随着物联网的应用，每年的数据总量将增长 40％。云存储使得即时访问大量数据成为可能，但是即使通过传统计算机程序辅助人类思维也不可能处理或理解这么多信息。因此需要认知系统，以便机构能够掌握大数据，并在混乱中发现模式和见解。

第二个因素与技术本身有关。原始计算能力和分析模型的最新进展使系统可以遍历大量数据集（包括非结构化和富媒体内容），并以近乎实时的方式返回有意义的结果。语义分析（semantic analysis）分析定性数据，同时机器学习技术使系统能够理解用户的前后语义并提出后续问题以进一步优化其响应。最后，自然语言处理和用户接口的发展改善了人机交互，并为人与机器之间更紧密、更自然的合作铺平了道路。

最后一个因素是知识工作的高成本。许多机构认为最大的投资是他们的劳动力，但劳动力并没有最大程度的被有效利用。根据 IDC，知识工作者平均花费近 20％的时间寻找内部信息。更直观的搜索功能包含了内部、外部、结构化和非结构化内容，并提供高度针对性的答案（而不是用户必须筛选的页面或文档的列表），可以为机构节省数十亿美元，并同时释放员工时间以进行更多有附加值的工作。

人们已经在智能手机上体验到了机器学习的厉害之处。例如，你是在晚 6 点左右看手机的时候，发现一条关于预计回家驾驶时间及回家驾驶路径的通知推送？这也许会让你丈二摸不着头脑——因为你从未告诉过你的手机你住哪里、你在哪里工作，并且你并没有专门设置让你的手机在特定时间推送关于交通状况的消息。但实际上，（借助机器学习等技术，）你手机内部的软件能够分析你手机在你日常作息、活动时采集的 GPS 数据，能预计你何时将会下班回家并提供相关的交通信息（例如你日常回家的路上是否会有交通拥堵）。

不过，机器学习及认知计算的能力不仅限于这种有特定目标的应用（Targeted Applications）。IBM 认为，对认知计算而言，有三种更为广义的能力范围：

• 参与性任务：通过对相关问题及时回复、提供目标信息，程序能够像专业助手一样。

• 探索性任务：程序能够在大规模离散数据集中，发现之前未发现的模式或关系。

• 辅助决策功能：程序对复杂且不断改变的大规模数据集进行分析后，能对不同的选择给出相应的置信分数，并对用户推荐最优选择。

很显然，这三个领域都有可能增强甚至改变知识型工作。某些应用已经能够帮助人类做出决策，如某个能够分析海量医疗数据集的系统，可以发现过去未发现的在症状、疾病及后果之间的数据联系。另一些系统甚至能取代人类专家——如能够分析个人财务状况及目标并提供投资建议的系统。

知识管理最明确的应用之一，是能够处理关于职员的多维信息的系统。其中的多维信息包括，职员正在工作的项目，他/她的熟练度，他/她经常交往的对象及其他因素。这样的目的，是能够推荐可能的答案、解决方案或是行动。它将会持续读取数据并随时间生成更多的优化的结果。尽管某些问题仍需要人类的意会知识及推理能力，但机器学习仍能够用于最适用内容、数据集及领域，以协助特定情况下的决策过程。不论何种情况，其愿景是，职员能够花更少的时间搜寻知识，而可以把更多的时间花到学习和使用它上。

知识管理与认知计算的结合点

在讨论了诸多可能的情况后，APQC 的 KM Advanced Working Group 指出，认知在如下所述的知识管理（Knowledge Management）的六个领域比较有前途。

• 搜索与发现：认知计算在改进企业搜索及发现过程方面，有非常多的可能性。目前的搜索应用能够遍历非结构化的数据，并能够执行一些自动标记任务，但这些功能往往是局限的。在搜索功能融合了认知计算后，它将能够提供更为综合的答案。甚至是任务涉及到需要分析图像及视频，或是需要集成隐藏在多个文档中的信息时，它也能胜任。

• 内容筛选：通过使用算法来搜寻不同类型的数据、寻找数据源中的相似点及在逻辑组中进行聚类，机器学习能够自动化内容筛选过程。内容将会被依次标记及展示（也可以根据搜索语句的额要求展示）。这项任务的目标，是提内容筛选过程的效率、降低过程的花费，同时也要能删除某些丢失情况（相关的内容存在，但是系统不能够连接用户到最优资源上）。

• 专家定位：认知系统具有扫描海量完全不同信源的能力，能够识别其中的领域专家或为特定话题工作的人们。这样的系统能够提升同事推荐的质量、降低寻找问题帮助及答案的时间和揭开隐藏的专业知识。这些好处，能够帮助用户从建立个人档案、列出个人技能、经验、兴趣的反复工作中解脱出来。

• 数据导向的可视化系统：一般而言，人们为了解释、探索及展示数据，而进行数据可视化。认知计算能够这些过程变得自动化、增强其处理能力并赋予其不可思议的处理速度。在如今的大数据时代，可视化被用来显示内容及展示数据及知识，能允许用户在不同的话题及想法上建立新的连接。

• 经验教训分析：尽管许多组织在从项目及程序上习得教训方面颇具成效，但在真正地从过去地经验中学习并在未来应用经验方面，他们仍面临着困难。在正确编程的情况下，一个认知系统能够分析在已有数据库上习得经验，也能够处理那些未被正式叫做经验教训、但有助于改进或帮助发现机会的、从其他项目文件中得到的一些信息。因此，系统能基于目前工作项目的类型和阶段，向个人或团队提供相关的建议或想法。

• 数字助手：大多数人所熟悉的当代智能个人助手，是如 Siri、Google Now 及微软 Cortana 之流、出现在他们的智能手机或其他设备上的智能助手。但更为先进的助手，具有改变职员与企业知识交互方式的潜力。在认知计算的帮助之下，一个数字程序可以成为职员的导师、指导或是助手，无论他们是在办公室还是在旅途中。