AI kan vide meget om verden og stadig mangle det vigtigste for at hjælpe jer: hvordan netop jeres virksomhed arbejder.
En vidensgraf kan forbinde jeres begreber, beslutninger og erfaringer, så AI får et bedre grundlag at ræsonnere ud fra. Det begynder med en konkret opgave. På sigt kan den samme viden bruges på tværs af virksomheden.
01 / Modellen og jeres viden
Dygtig til meget. Ny hos jer.
Sprogmodeller er blevet gode til at skrive, analysere, programmere og arbejde sig gennem komplekse spørgsmål. Men deres grundtræning giver dem en bred, generel viden. Den giver dem ikke automatisk adgang til jeres interne beslutninger, faglige erfaringer eller den måde, I afvejer hensyn på.
En model kan forklare, hvordan man normalt laver et tilbud. Den ved ikke nødvendigvis, hvorfor I siger nej til bestemte opgaver, hvornår I involverer en specialist, eller hvilke erfaringer der ligger bag jeres kvalitetskrav. Noget står i dokumenter. Andet lever i samtaler og hos erfarne kolleger. Tilsammen er det virksomhedens institutionelle viden.
Det er muligt at tilpasse en model ved at træne videre på virksomhedens materiale og eksempler. En open weights-model giver adgang til modelvægtene, men er ikke den eneste vej: leverandører tilbyder også finjustering af hostede modeller, eksempelvis Gemini. At udvikle og vedligeholde sin egen model er dog et større projekt, og finjustering skaber ikke i sig selv et opdateret register over beslutninger og deres kilder.
Derfor er en anden vej interessant: at koble modellens evne til at ræsonnere med viden, som virksomheden selv kan vedligeholde. Modellen får det relevante grundlag, når den skal løse opgaven. En ændret beslutning kan så opdateres i vidensgrundlaget uden en ny træningsrunde. Behovet for netop denne virksomhedskontekst er også udgangspunktet for Googles introduktion til Open Knowledge Format.
02 / Fra instruktioner til RAG
At finde den rigtige tekst er en god begyndelse
Der er flere måder at give AI mere af virksomhedens viden. Man kan skrive faste instruktioner, lægge eksempler og dokumenter direkte ind i samtalen, lade en agent slå op i interne systemer eller opbygge en kurateret wiki. Finjustering kan supplere med indlæring af bestemte svarmønstre og opgaver. Tilgangene kan kombineres.
En udbredt løsning er Retrieval-Augmented Generation, RAG. Her søger systemet i et eksternt vidensgrundlag og giver modellen relevante fund som kontekst, før den svarer. I en typisk dokumentløsning opdeles materialet i mindre tekststykker. Søgningen finder de stykker, der bedst matcher spørgsmålet, eksempelvis ud fra ord eller betydning.
Det har klare fordele. Virksomheden kan bruge eksisterende dokumenter, opdatere dem uden at genoptræne modellen og vise kilderne bag et svar. Til spørgsmål som “Hvordan indberetter jeg udlæg?” kan en relevant og opdateret vejledning være tilstrækkelig.
Udfordringen opstår, når svaret afhænger af flere sammenhænge. Et tekststykke kan beskrive en gammel regel, mens undtagelsen står et andet sted og begrundelsen i et referat. En søgning efter lignende tekst finder ikke nødvendigvis alle tre. Modellen kan derfor få et plausibelt, men ufuldstændigt grundlag.
RAG kan forbedres på mange måder. Anthropics Contextual Retrieval tilføjer dokumentkontekst til tekststykkerne før indeksering og kombinerer det med ord- og betydningssøgning. En efterfølgende rangering kan udvælge de mest relevante fund. Det afhjælper nogle problemer ved opsplitningen, men en søgeløsning skal stadig kunne håndtere versioner, adgang og modstridende oplysninger.
Det næste spørgsmål bliver derfor: Kan vi registrere forbindelserne mellem oplysningerne på forhånd, så modellen har noget mere præcist at arbejde med?
03 / Vidensgrafer og OKF
Gør forbindelserne til en del af jeres viden
En vidensgraf beskriver ting og deres forbindelser. Tingene kaldes noder og kan være produkter, begreber, processer, beslutninger eller kilder. Forbindelserne kaldes relationer: en beslutning gælder for en proces, en erfaring understøtter en vurdering, og en ny regel erstatter en gammel.
Der findes flere måder at bygge den på. RDF repræsenterer udsagn som subjekt, relation og objekt og har standarder til udveksling. En property graph samler noder og navngivne relationer med tilknyttede egenskaber. En lettere tilgang er at forbinde læsbare vidensfiler med links og metadata. Valget afhænger af, hvad man vil spørge om, og hvordan viden skal vedligeholdes.
Graf og RAG kan arbejde sammen. Søgningen kan finde et relevant udgangspunkt, hvorefter grafen hjælper med at hente de tilknyttede regler, undtagelser og kilder. Microsofts GraphRAG er et konkret eksempel: systemet udtrækker en graf fra tekst og bygger resuméer af grupper i grafen til brug ved spørgsmål. Automatisk udtrukne forbindelser er dog ikke det samme som fagligt godkendte virksomhedsbeslutninger.
I Finchs lab bruger vi Googles Open Knowledge Format, OKF v0.2, som grundlag for vidensfilerne. Det er en åben formatspecifikation, hvor Markdown-tekst kombineres med YAML-metadata og links mellem begreber. Formatet beskriver blandt andet kilder, verifikation og livscyklus. Filerne kan læses af både mennesker og software.
Vidensgrafer bygger altså ikke generelt på OKF. OKF er én måde at repræsentere og udveksle sammenhængende viden på. Det kræver hverken en bestemt sprogmodel eller en bestemt database. Hvis en relation skal have en præcis, maskinlæsbar betydning som “erstatter” eller “gælder for”, skal den betydning også defineres. I vores pilot er sådanne relationer egne udvidelser til formatet.
04 / Sådan virker grafen
Fra et spørgsmål til et begrundet svar
Forestil dig en virksomhed, hvor en medarbejder spørger: “Skal dette tilbud gennemgås af en specialist?” I dette fiktive eksempel afhænger svaret af ydelsen, en gældende beslutning og en undtagelse for særlige leverancer.
Grafen forbinder ydelsen med den relevante proces og beslutning. Beslutningen peger videre på sin begrundelse, sit kildegrundlag og den regel, den har erstattet. Undtagelsen knyttes til det område, hvor den gælder. Dermed kan systemet undersøge sammenhængen frem for kun at finde tekster med ordet “tilbud”.
En mulig arbejdsgang er:
- Find grundlaget. Dokumenter, referater og fagpersoners forklaringer bliver til forslag til viden med henvisning til deres kilder.
- Gør betydningen tydelig. Registrér, hvad der er en observation, et forslag eller en vedtaget beslutning. Tilføj relationer, gyldighed og en ansvarlig for vedligeholdelsen.
- Hent den relevante sammenhæng. Ved et spørgsmål afgrænser systemet brugerens adgang, finder startpunktet og følger relevante forbindelser til regler, undtagelser og kilder.
- Lad modellen arbejde med grundlaget. Den får et afgrænset udvalg af viden og formulerer et svar med begrundelse, kilder og eventuelle åbne spørgsmål.
- Brug rettelser til at forbedre viden. Hvis en fagperson finder en fejl, undersøges årsagen. En godkendt ændring gemmes med historik og afprøves på både den oprindelige opgave og beslægtede sager.
Her ligger også et vigtigt stykke arbejde. En vidensgraf skal vedligeholdes, og automatisk udtræk kan tage fejl. Hvis en undtagelse mangler i grafen, kan systemet stadig overse den. Hvis medarbejdere er uenige, bør uenigheden være synlig. En persons vane bliver ikke til virksomhedens politik, blot fordi den bliver skrevet ind.
Grafen kan gøre dokumenterede begrundelser og dele af virksomhedens praksis tilgængelige. Den kan ikke indfange en hel kultur én gang for alle. Værdien skal vise sig i konkrete svar og opgaver, der bliver bedre.
05 / Potentialet i virksomheden
Begynd med én opgave. Byg videre på den samme viden.
Et godt sted at begynde kan være tilbudsafklaring, support eller oplæring. Hvilke tidligere erfaringer er relevante for en ny opgave? Hvilken vejledning gælder for denne produktversion? Hvorfor arbejder vi på denne måde? Her kan forbindelser mellem viden gøre en konkret forskel.
Start med ét område, få tydelige spørgsmål og en fagperson, som kan vurdere svarene. Sammenlign med en enklere søge- eller RAG-løsning. Mål kvalitet, tidsforbrug og arbejdet med at holde viden ajour. Grafen er værd at udbygge, når de ekstra forbindelser hjælper med opgaver, der ellers er svære at løse.
På sigt kan flere områder kobles sammen. Salg kan bruge godkendte produktdefinitioner i et tilbud. Support kan bruge de samme definitioner sammen med kendte fejl og løsninger. Nye medarbejdere kan finde både arbejdsmetoden og begrundelsen for den. En ændret beslutning kan gøre det synligt, hvilke vejledninger og processer der skal gennemgås.
Den fælles viden kan tilgås fra forskellige steder: en intern chat, et CRM-system, et supportværktøj eller en assistent i den daglige arbejdsgang. Det kræver integrationer og adgangskontrol, men ikke nødvendigvis, at alle bruger samme grænseflade eller sprogmodel. Hver opgave henter den viden, brugeren har ret til at se.
Ambitionen kan være at forbinde viden på tværs af hele virksomheden. Det betyder ikke, at alt skal flyttes til én database eller fyldes ind i modellens kontekst på én gang. Aktuelle ordrer, lagerstatus og andre levende data kan fortsat hentes fra deres kildesystemer. Grafen kan beskrive, hvordan oplysningerne hænger sammen, og hvilke definitioner der gælder.
Et åbent format er et godt udgangspunkt for at bevare ejerskabet. Men modeluafhængighed og platformsportabilitet skal prøves hver for sig. Man kan godt skifte model og stadig være bundet til en søgetjeneste. En eksport skal kunne genindlæses med relationer, kilder, historik og rettigheder bevaret, og rettighederne skal også håndhæves i den nye løsning.
I Finchs lab har vi en lokal OKF-pilot med vidensfiler, søgning og en læseflade. Eksport og genindlæsning er afprøvet med vores egen parser. Modelintegration, en færdig kundeplatform og migration til en uafhængig platform er endnu ikke dokumenteret.
Potentialet er, at arbejdet med den første opgave også skaber viden, som den næste kan bruge. Så kan virksomhedens erfaringer blive et fælles grundlag for AI — med synlige kilder, fagligt ansvar og plads til at blive klogere.