Comment BrainPad favorise le partage interne de connaissances avec Amazon Kendra

BrainPad and Amazon Kendra promote internal knowledge sharing.

Ceci est un article invité du Dr Naoki Okada, Lead Data Scientist chez BrainPad Inc.

Fondée en 2004, BrainPad Inc. est un partenaire pionnier dans le domaine de l’utilisation des données, aidant les entreprises à créer des affaires et à améliorer leur gestion grâce à l’utilisation de données. À ce jour, BrainPad a aidé plus de 1 300 entreprises, principalement des leaders de l’industrie. BrainPad a l’avantage de fournir un service tout-en-un, de la formulation d’une stratégie d’utilisation des données à la preuve de concept et à la mise en œuvre. Le style unique de BrainPad consiste à travailler avec les clients pour résoudre les problèmes sur le terrain, tels que des données qui ne sont pas collectées en raison d’une structure organisationnelle cloisonnée ou des données existantes mais non organisées.

Cet article traite de la manière de structurer le partage interne de connaissances en utilisant Amazon Kendra et AWS Lambda et de la façon dont Amazon Kendra résout les obstacles auxquels de nombreuses entreprises sont confrontées en matière de partage de connaissances. Nous résumons les efforts de BrainPad dans quatre domaines clés :

  • Quels sont les problèmes de partage de connaissances auxquels de nombreuses entreprises sont confrontées ?
  • Pourquoi avons-nous choisi Amazon Kendra ?
  • Comment avons-nous mis en œuvre le système de partage de connaissances ?
  • Même si un outil est utile, il est inutile s’il n’est pas utilisé. Comment avons-nous surmonté la barrière de l’adoption ?

Problèmes de partage de connaissances auxquels de nombreuses entreprises sont confrontées

De nombreuses entreprises obtiennent leurs résultats en divisant leur travail en différentes zones. Chacune de ces activités génère de nouvelles idées chaque jour. Cette connaissance s’accumule sur une base individuelle. Si cette connaissance peut être partagée entre les personnes et les organisations, des synergies dans le travail connexe peuvent être créées, et l’efficacité et la qualité du travail augmenteront considérablement. C’est le pouvoir du partage de connaissances.

Cependant, il existe de nombreux obstacles courants au partage de connaissances :

  • Peu de personnes sont activement impliquées, et le processus ne peut pas être maintenu longtemps en raison d’horaires chargés.
  • Les connaissances sont dispersées sur plusieurs supports, tels que des wikis internes et des PDF, ce qui rend difficile de trouver les informations dont vous avez besoin.
  • Personne n’entre les connaissances dans le système de consolidation des connaissances. Le système ne sera pas largement utilisé en raison de sa mauvaise recherche.

Notre entreprise a été confrontée à une situation similaire. Le problème fondamental du partage de connaissances est que bien que la plupart des employés aient un fort besoin d’obtenir des connaissances, ils ont peu de motivation à partager leurs propres connaissances à un coût. Changer le comportement des employés dans le seul but de partager des connaissances n’est pas facile.

De plus, chaque employé ou département a sa propre méthode préférée d’accumulation de connaissances, et essayer de forcer l’unification ne mènera pas à la motivation ou à la performance dans le partage de connaissances. C’est un casse-tête pour la direction, qui souhaite consolider les connaissances, tandis que ceux sur le terrain veulent avoir des connaissances de manière décentralisée.

Dans notre entreprise, Amazon Kendra est le service cloud qui a résolu ces problèmes.

Pourquoi avons-nous choisi Amazon Kendra

Amazon Kendra est un service cloud qui nous permet de rechercher des informations internes à partir d’une interface commune. En d’autres termes, c’est un moteur de recherche qui se spécialise dans les informations internes. Dans cette section, nous discutons des trois raisons clés pour lesquelles nous avons choisi Amazon Kendra.

Facilité d’agrégation des connaissances

Comme mentionné dans la section précédente, la connaissance, même lorsqu’elle existe, a tendance à être dispersée sur plusieurs supports. Dans notre cas, elle était dispersée sur notre wiki interne et divers fichiers de documents. Amazon Kendra fournit des connecteurs puissants pour cette situation. Nous pouvons facilement importer des documents à partir de divers supports, notamment des groupwares, des wikis, des fichiers Microsoft PowerPoint, des PDF, et bien plus encore, sans tracas.

Cela signifie que les employés n’ont pas à changer la manière dont ils stockent la connaissance afin de la partager. Bien que l’agrégation de connaissances puisse être temporairement réalisée, elle est très coûteuse à maintenir. La capacité à automatiser cela était un facteur très souhaitable pour nous.

Excellente recherche

Il y a beaucoup de groupwares et de wikis qui excellent dans la saisie d’informations. Cependant, ils ont souvent des faiblesses dans la sortie d’informations (recherche). Cela est particulièrement vrai pour la recherche japonaise. Par exemple, en anglais, la correspondance au niveau des mots fournit un niveau raisonnable de recherche. En japonais, cependant, l’extraction de mots est plus difficile, et il y a des cas où la correspondance est effectuée en séparant les mots par un nombre approprié de caractères. Si une recherche pour “Tokyo-to (東京都)” est séparée par deux caractères, “Tokyo (東京)” et “Kyoto (京都)”, il sera difficile de trouver les connaissances que vous recherchez.

Amazon Kendra offre une grande capacité de recherche grâce à l’apprentissage automatique. En plus des recherches par mot-clé traditionnelles telles que “tendances technologiques”, les recherches en langage naturel telles que “Je veux des informations sur les nouvelles initiatives technologiques” peuvent grandement améliorer l’expérience utilisateur. La capacité à chercher de manière appropriée les informations collectées est la deuxième raison pour laquelle nous avons choisi Amazon Kendra.

Coût de possession faible

Les outils informatiques spécialisés dans l’agrégation et la recherche de connaissances sont appelés systèmes de recherche d’entreprise. Un problème lors de la mise en œuvre de ces systèmes est le coût. Pour une organisation de plusieurs centaines d’employés, les coûts d’exploitation peuvent dépasser 10 millions de yens par an. Ce n’est pas une façon bon marché de commencer une initiative de partage des connaissances.

Amazon Kendra est offert à un coût beaucoup plus bas que la plupart des systèmes de recherche d’entreprise. Comme mentionné précédemment, les initiatives de partage de connaissances ne sont pas faciles à mettre en œuvre. Nous voulions commencer petit, et le faible coût de possession d’Amazon Kendra a été un facteur clé dans notre décision.

De plus, la facilité de mise en œuvre et la flexibilité d’Amazon Kendra sont également de grands avantages pour nous. La prochaine section résume un exemple de notre mise en œuvre.

Comment nous avons mis en œuvre le système de partage de connaissances

La mise en œuvre n’est pas un processus de développement exagéré; elle peut être effectuée sans code en suivant le flux de traitement d’Amazon Kendra. Voici cinq points clés dans le processus de mise en œuvre :

  • Source de données (accumulation de connaissances) – Chaque département et employé de notre entreprise tenait fréquemment des sessions d’étude internes, et grâce à ces activités, des connaissances ont été accumulées dans plusieurs médias, tels que des wikis et divers types de stockage. À ce moment-là, il était facile de revoir les informations des sessions d’étude plus tard. Cependant, pour extraire des connaissances sur une zone ou une technologie spécifique, il était nécessaire de passer en revue chaque IPGirl en détail, ce qui n’était pas très pratique.
  • Connecteurs (agrégation de connaissances) – Avec la fonctionnalité de connecteur dans Amazon Kendra, nous avons pu lier les connaissances dispersées dans l’entreprise à Amazon Kendra et atteindre une capacité de recherche transversale. De plus, le connecteur est chargé via un compte restreint, permettant une mise en œuvre axée sur la sécurité.
  • Moteur de recherche (recherche d’informations) – Parce qu’Amazon Kendra dispose d’une page de recherche pour les tests d’utilisabilité, nous avons pu tester rapidement l’utilisabilité du moteur de recherche immédiatement après le chargement des documents pour voir quel type de connaissances pouvait être trouvé. Cela a été très utile pour consolider l’image du lancement.
  • Interface de recherche (page de recherche pour les utilisateurs) – Amazon Kendra dispose d’une fonctionnalité appelée Experience Builder qui expose l’écran de recherche aux utilisateurs. Cette fonctionnalité peut être mise en œuvre sans code, ce qui a été très utile pour obtenir des commentaires lors du déploiement de test. En plus de Experience Builder, Amazon Kendra prend également en charge les mises en œuvre d’API Python et React.js, de sorte que nous pouvons finalement fournir des pages de recherche personnalisées à nos employés pour améliorer leur expérience.
  • Analyse (surveillance des tendances d’utilisation) – Un système de recherche d’entreprise n’a de valeur que si beaucoup de personnes l’utilisent. Amazon Kendra a la capacité de surveiller combien de recherches sont effectuées et pour quels termes. Nous utilisons cette fonctionnalité pour suivre les tendances d’utilisation.

Nous avons également quelques questions-réponses liées à notre mise en œuvre :

  • Quels ont été certains des défis pour rassembler les connaissances internes ? Nous avons dû commencer par collecter les connaissances que chaque département et employé avait, mais pas nécessairement dans un endroit qui pouvait être directement connecté à Amazon Kendra.
  • Comment avons-nous bénéficié d’Amazon Kendra ? Nous avions essayé de partager les connaissances plusieurs fois dans le passé, mais nous avions souvent échoué. Les raisons étaient l’agrégation d’informations, la capacité de recherche, les coûts d’exploitation et les coûts de mise en œuvre. Amazon Kendra dispose de fonctionnalités qui résolvent ces problèmes, et nous l’avons lancé avec succès en environ 3 mois de conception. Maintenant, nous pouvons utiliser Amazon Kendra pour trouver des solutions à des tâches qui nécessitaient auparavant les connaissances d’individus ou de départements en tant que connaissances collectives de l’ensemble de l’organisation.
  • Comment avons-nous évalué la capacité de recherche du système et que faisons-nous pour l’améliorer ? Tout d’abord, nous avons fait interagir de nombreux employés avec le système et avons obtenu des commentaires. Un problème qui est survenu au début de la mise en œuvre était qu’il y avait une dispersion d’informations qui avaient peu de valeur en tant que connaissance. Cela était dû au fait que certaines des sources de données contenaient des informations provenant de publications de blog internes, par exemple. Nous travaillons continuellement à améliorer l’expérience utilisateur en sélectionnant les bonnes sources de données.

Comme mentionné précédemment, en utilisant Amazon Kendra, nous avons pu surmonter de nombreux obstacles de mise en œuvre à moindre coût. Cependant, le plus grand défi avec ce type d’outil est la barrière à l’adoption qui survient après la mise en œuvre. La section suivante fournit un exemple de la façon dont nous avons surmonté cet obstacle.

Comment nous avons surmonté la barrière à l’adoption

Avez-vous déjà vu un outil que vous avez dépensé beaucoup d’efforts, de temps et d’argent pour mettre en œuvre devenir obsolète sans utilisation généralisée ? Peu importe à quel point la fonctionnalité est bonne pour résoudre les problèmes, elle ne sera pas efficace si les gens ne l’utilisent pas.

Une des initiatives que nous avons prises avec le lancement d’Amazon Kendra était de fournir un chatbot. En d’autres termes, lorsque vous posez une question dans un outil de chat, vous obtenez une réponse avec la connaissance appropriée. Étant donné que tous nos employés en télétravail utilisent un outil de chat quotidiennement, l’utilisation de chatbots est beaucoup plus compatible que de les faire ouvrir un nouvel écran de recherche dans leur navigateur.

Pour mettre en œuvre ce chatbot, nous utilisons Lambda, un service qui nous permet d’exécuter des programmes sans serveur et déclenchés par des événements. Plus précisément, le flux de travail suivant est mis en œuvre :

  1. Un utilisateur poste une question au chatbot avec une mention.
  2. Le chatbot déclenche un événement vers Lambda.
  3. Une fonction Lambda détecte l’événement et recherche Amazon Kendra pour la question.
  4. La fonction Lambda poste les résultats de la recherche dans l’outil de chat.
  5. L’utilisateur consulte les résultats de la recherche.

Ce processus ne prend que quelques secondes et fournit une expérience utilisateur de qualité pour la découverte de connaissances. La majorité des employés ont été exposés au mécanisme de partage des connaissances grâce au chatbot, et il ne fait aucun doute que le chatbot a contribué à la diffusion du mécanisme. Et parce qu’il y a des domaines qui ne peuvent pas être couverts par le chatbot seul, nous leur avons également demandé d’utiliser l’écran de recherche personnalisé en conjonction avec le chatbot pour offrir une expérience utilisateur encore meilleure.

Conclusion

Dans ce post, nous avons présenté une étude de cas d’Amazon Kendra pour le partage des connaissances et un exemple d’implémentation de chatbot en utilisant Lambda pour propager le mécanisme. Nous sommes impatients de voir Amazon Kendra franchir une nouvelle étape alors que les modèles de langage à grande échelle continuent d’évoluer.

Si vous êtes intéressé par l’essai d’Amazon Kendra, consultez Amélioration de la recherche en entreprise avec Amazon Kendra. BrainPad peut également vous aider à partager des connaissances internes et à exploiter des documents en utilisant l’IA générative. Veuillez nous contacter pour plus d’informations.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Débloquer le succès comment IBM Watson peut révolutionner votre entreprise

Découvrez comment l'IA d'IBM Watson transforme les entreprises dans divers secteurs, permettant la prise de décisions...

Technologie de l'IA

Explorer la distinction Rédaction de textes de site web vs. Intelligence artificielle

Découvrez la distinction entre la rédaction d'essais de site web et l'IA. Découvrez les avantages et les inconvénient...

Apprentissage automatique

Est-ce le début de la révolution des machines ?

La Révolution des machines, alimentée par l'IA, l'apprentissage automatique et l'automatisation, marque un tournant d...

AI

Proxy SOCKS5 vs. Proxy HTTP Lequel est meilleur ?

Que vous souhaitiez débloquer les restrictions en ligne sur un site Web ou accéder à des données internationales, uti...

AI

Comment créer de l'art photoréaliste à l'aide d'outils d'IA

L'art généré par l'IA est une nouvelle frontière passionnante qui utilise des algorithmes et l'apprentissage automati...

AI

L'utilisation d'outils de données IA pour le succès de l'entreprise

Découvrez comment les outils de données d'IA transforment les entreprises, des économies de coûts aux informations pr...