KIV/ZIM - Znalostní a informační management

h1. Generative AI a znalostní management

h1. Úvod 

Generativní umělá inteligence (GenAI) představuje oblast umělé inteligence, která se specializuje na tvorbu nového obsahu, dat a uměleckých děl pomocí pokročilých algoritmů strojového učení. Tato technologie má významný dopad na současný i budoucí svět, nabízí nové možnosti a výzvy v různých oblastech lidské činnosti. Jednou z těchto oblastí je znalostní management, který systematicky zachycuje, organizuje, sdílí a využívá znalosti v organizacích. Cílem této práce je prozkoumat, jak GenAI ovlivňuje znalostní management, a zhodnotit jeho potenciál, přínosy a rizika pro organizace a společnost jako celek. V první části práce se zaměříme na teoretický rámec GenAI a znalostního managementu, vysvětlíme jejich základní koncepty, principy a vzájemné souvislosti. Druhá část práce představí konkrétní příklady, jak GenAI mění přístupy k získávání, uchovávání a sdílení znalostí v různých odvětvích. Třetí část bude věnována diskusi o výhodách a výzvách, které GenAI přináší pro znalostní management, zahrnující technologické, etické a společenské aspekty. Závěr práce shrne klíčové poznatky a nabídne doporučení pro další výzkum a praxi v této oblasti.

h1. Generativní AI 

Generativní umělá inteligence (GenAI) představuje inovativní formu umělé inteligence schopnou reagovat na variabilní vstupní podněty a generovat rozmanitý obsah. Tato revoluční technologie umožňuje uživatelům vytvářet nový obsah, včetně textů, obrázků, videí, zvuků, kódů, 3D návrhů a dalších médií, pomocí učení a tréninku na existujících online dokumentech a dalších zdrojích[1]

V současné době se GenAI nejčastěji využívá k tvorbě obsahu v reakci na požadavky v přirozeném jazyce, což eliminuje potřebu hlubších znalostí nebo kódování. Využívané algoritmy, založené na pokročilých modelech umělé inteligence, jsou trénovány na rozmanitém spektru neoznačených dat, což umožňuje flexibilitu v různých úkolech a oblastech. ​

Při vytváření těchto trénovaných modelů je nezbytná sofistikovaná matematika a výpočetní výkon. Gartner označuje generativní AI za technologii s obecným účelem, jejíž dopad lze srovnat s parním strojem, elektřinou a internetem. I přes možné opadnutí počátečního nadšení se očekává, že vliv GenAI bude stále narůstat, jakmile lidé a podniky objeví nové a inovativní aplikace této technologie v každodenním životě a pracovním prostředí[2] 

h2. Strojové učení 

Strojové učení je oblast studia v umělé inteligenci, která se zabývá vývojem a studiem statistických algoritmů, které mohou efektivně zobecňovat, a tak vykonávat úkoly bez explicitních instrukcí. Strojové učení využívá algoritmy k identifikaci vzorů v datech a tyto vzory se pak používají k vytvoření datového modelu, který dokáže formulovat předpovědi[3] ​

h2. Neuronové sítě 

Neuronová síť (NN) je algoritmus strojového učení, který napodobuje strukturu a operační schopnosti lidského mozku k rozpoznání vzorů z tréninkových dat. Neuronová síť je sada algoritmů vytvořených po fungování lidského mozku a lidského nervového systému. Skládá se ze sady algoritmů a matematických modelů, které umožňují počítači naučit se provádět specifické úkoly[4]

h1. Znalostní managent 

Znalostní management je proces, který se zabývá identifikací, organizací, ukládáním a šířením informací v rámci organizace. Tento proces zahrnuje tři klíčové fáze: shromažďování znalostí, ukládání znalostí a distribuci znalostí. Základy znalostního managementu zahrnují vytváření a objevování znalostí v organizaci, využití nástrojů a technik, které ovlivňují informace. V rámci znalostního managementu je klíčové pochopení úspěšných faktorů, které již nesou mnoho znalostí o tom, jak organizace fungovala v minulosti. Tyto faktory poskytují důležitý pohled na to, jak efektivně byly využívány a sdíleny znalosti v organizaci. Tím se stávají cenným zdrojem pro optimalizaci budoucích procesů a strategií znalostního managementu. Důležitou součástí základů znalostního managementu je také pochopení, že znalosti existují ve třech základních formách: explicitní, implicitní a tacitní: 

* Explicitní znalosti jsou formální a systematické, často jsou zaznamenány a snadno sdíleny. 

* Implicitní znalosti jsou neformální a nejsou tak snadno sdíleny. 

* Tacitní znalosti jsou osobní, kontextově specifické, hluboko zakořeněné v jednotlivci a často obtížně artikulovatelné.  

Znalostní management také zahrnuje pochopení, že znalosti jsou dynamické a neustále se vyvíjejí s novými informacemi a zkušenostmi. Proto je důležité, aby procesy znalostního managementu byly flexibilní a schopné se přizpůsobit změnám[5] 

h2. Cíle znalostního managementu 

Hlavním cílem znalostního managementu je dosáhnout výrazného zlepšení celkové efektivity organizace a zajistit udržitelné uchování klíčových znalostí v rámci společnosti. Tento proces není pouze o shromažďování informací, ale spíše o systematickém zpracování a využití znalostí k podpoře rozhodovacích procesů a inovací[5] 

Dalším klíčovým cílem znalostního managementu je vytvořit prostředí, ve kterém mají zaměstnanci snadný přístup k potřebným informacím a mohou efektivně komunikovat s lidmi, kteří tyto znalosti vlastní. Tímto způsobem se organizace snaží odstranit překážky ve sdílení znalostí a podporuje synergii mezi jednotlivci a týmy[6]

Praktický znalostní management umožňuje organizacím systematicky šířit informace a zvyšovat úroveň odbornosti jednotlivců i týmů. Tato strategie přispívá k neustálému zlepšování pracovních postupů, inovacím a celkovému růstu produktivity. Zaměřuje se nejen na dokumentaci existujících znalostí, ale také na podporu procesů, které podněcují tvorbu nových informací a zkušeností[5]

Výsledkem je nejen efektivnější a agilnější organizace, ale také posílení individuálních schopností zaměstnanců a kolektivní inteligence týmů. Znalostní management se tak stává klíčovým nástrojem pro trvalou konkurenceschopnost a inovační vývoj organizací v dynamickém prostředí[7]

h2. Nástroje znalostního managementu 

Nástroje znalostního managementu představují klíčový prvek pro úspěšnou implementaci a udržitelnost procesů v oblasti správy znalostí. Tyto aplikace fungují jako prostředky, které usnadňují shromažďování, organizaci a distribuci informací, přičemž si kladou za cíl optimalizovat využívání znalostí v rámci organizace.  

Různé případy užití a potřeby organizací vyžadují rozmanité nástroje znalostního managementu. I přes tuto diverzitu mají všechny tyto nástroje společný konečný cíl – efektivně organizovat a využívat existující znalosti a zkušenosti. Následují některé příklady těchto nástrojů:  

Návody a Manuály: 

* Tento typ nástrojů slouží k systematickému zaznamenávání postupů, procedur a detailních informací, které jsou klíčové pro fungování organizace. 

* Umožňují zaměstnancům rychlý přístup k standardním postupům a metodikám, což vede k zvýšení konzistence a efektivity práce. 

Webové Stránky pro Společnost: 

* Tento typ nástroje poskytuje online platformu, kde organizace může sdílet informace, zkušenosti a dokumentaci se svými členy. 

* Podporuje otevřenou a transparentní komunikaci, umožňuje týmům a jednotlivcům snadný přístup k relevantním datům a sdílení know-how. 

Systémy Pro Správu Dokumentů: 

* Tyto systémy umožňují efektivní organizaci a ukládání dokumentů, čímž usnadňují sdílení a vyhledávání informací. 

* Zvyšují přehlednost a snižují redundanci, což v konečném důsledku vede k rychlejším rozhodovacím procesům. 

Kolaborativní Platformy: 

* Tyto nástroje podporují spolupráci a sdílení nápadů mezi členy týmu. 

* Posilují kolektivní inteligenci týmu a zlepšují schopnost organizace adaptovat se na nové výzvy a inovace. 

Každý z těchto nástrojů přináší své vlastní výhody a je navržen s ohledem na specifické potřeby organizace. Kombinací těchto prostředků může organizace dosáhnout efektivního a komplexního znalostního managementu, což je klíčovým faktorem pro udržení konkurenceschopnosti v dnešním dynamickém podnikatelském prostředí⁸ ⁹

h2. Integrace Generative AI do znalostního managementu 

Během posledních let (nejznačněji poslední dva roky) se významně změnil způsob, jak využíváme internet a dostupné aplikace využívající generativní umělou inteligenci. Jedno z odvětví zasažené tímto fenoménem je i znalostní management, na které se podíváme detailněji. 

Dříve týmům zabývajícím se znalostním managementem zabíralo mnohonásobně více času například vymýšlení různých článků, poté jejich samotné psaní a hledání důvěryhodných zdrojů pro jejich podložení a také vytváření obrázků či grafů pro uchopitelnější vysvětlení. To se s dnešní dobou výrazně změnilo, protože na každou část výše popsaného procesu už existují aplikace využívající generativní umělou inteligenci, které vám tyto procesy usnadní a značně zrychlí.  

Nyní si ukážeme pár příkladů, jak se dá použít generativní UI pro usnadnění a zrychlení práce ve znalostním managementu:

* Psaní článků 

Jedna z velkých výhod, které tento relativně nový fenomén přináší, je zdokonalování a rozšiřování znalostního managementu v týmech, které ho využívají. Organizace totiž často přicházejí o příležitosti k získání cenných znalostí, vzhledem k tomu, že zaměstnanci nemají vždy čas psát články do své znalostní báze. Nástroje generativní AI však mohou proces psaní urychlit, protože dokážou přeměnit kousky informací – například odrážky nebo údaje v lístku servisního oddělení – na plnohodnotné články.  

Tato automatizace umožňuje zaměstnancům, jako jsou pracovníci zákaznického servisu a podpory, vytvářet znalostní databázi organizace, zatímco přijímají hovory zákazníků a řeší dílčí úkoly. Tento proces vede k úplnějším znalostním bázím, což v budoucnu pomáhá zákazníkům a agentům rychleji řešit problémy.[1]

* Zlepšuje vyhledávání 

Znalostní báze by měla nabízet jednoduchou a uživatelsky přívětivou funkci vyhledávání, aby uživatelé mohli snadno najít odpovědi na své otázky či oblasti zájmů.  

Momentálně existuje spousta aplikací založených na UI, které by pomocí využívání “Large language modelů” byly schopné pracovat tímto způsobem. Tyto aplikace jsou totiž schopné vytáhnout konkrétní odpovědi z milionů odstavců a vět z téměř jakýchkoliv textů jen během pár sekund. O tom by se studentům před pár lety mohlo jen zdát. 

Nejznámější a široce využívající nástroj pro vyhledávání odpovědí je Chat GPT-4 anebo HelpLook. 

Vyhledávání pomocí umělé inteligence HelpLook výrazně zlepšuje správu znalostních bází tím, že zvyšuje efektivitu a účinnost vyhledávání informací. Zde je uvedeno, jak toho HelpLook dosahuje: “Algoritmy AI společnosti HelpLook GPT-4 analyzují a chápou obsah znalostní báze. Díky tomu systém poskytuje vysoce přesné a relevantní výsledky vyhledávání, což zajišťuje, že uživatelé najdou potřebné informace rychle a bez frustrace. Vyhledávání na bázi umělé inteligence zohledňuje záměr uživatele a relevanci, aby poskytlo co nejpřesnější výsledky.”[2]

* Identifikuje mezery ve znalostech a duplicity 

I v rozsáhlých a komplexních znalostních databázích mohou chybět odpovědi na důležité otázky. Schopnost generativní umělé inteligence rychle analyzovat velké objemy informací může organizacím pomoci identifikovat tyto mezery, aby je mohli řešit odborníci na danou problematiku, tvrdí Mohr. 

 Duplicitní články – které se zabývají stejným tématem nebo problémem – ve znalostní bázi mohou uživatele zmást, protože nevědí, která verze obsahuje nejaktuálnější informace. Generativní umělá inteligence tedy dokáže analyzovat články a odhalit ty, které se týkají stejného problému, a to i v případě, že duplikáty používají odlišné formulace a formátování.[1]

* Automatizuje procesy řízení 

Organizace často nechávají týmy pro správu ručně kontrolovat znalostní články před jejich zveřejněním, aby se ujistily, že neobsahují osobní údaje. Generativní umělá inteligence může tento proces automatizovat a urychlit. 

"Místo toho, aby to kontroloval člověk, ... [nástroj umělé inteligence] sám aplikuje inženýrskou výzvu, která se podívá na ... cokoli se strukturou čísla sociálního zabezpečení nebo strukturou telefonního čísla ... a pak to označí a řekne: 'Ne, tohle nemůže být zveřejněno, dokud se na to někdo nepodívá,'" tvrdí Mohr. 

Články, které projdou automatickou kontrolou správy, mohou přeskočit proces ruční kontroly, což organizacím pomáhá rychleji zpřístupnit znalosti.[1]

h1. Případové studie

h2. Případová studie 1: Automatizace znalostních procesů 

Generativní AI se stává klíčovým nástrojem v oblasti znalostního managementu, kde přináší značné výhody v automatizaci sběru, organizace a analýzy znalostí¹². Jako příklad můžeme uvést oblast zdravotnictví, kde generativní AI modely, jako je ChatGPT a Bard, umožňují automatickou analýzu textu a extrakci klíčových informací z různých typů dokumentů, jako jsou elektronické zdravotnické záznamy⁹.  

V oblasti reportingu se generativní AI využívá k vytváření automatických zpráv. Například platforma Petal umožňuje uživatelům komunikovat s jejich digitálním expertem a získávat přesné a důvěryhodné odpovědi okamžitě[^10^]. Dalším příkladem je SparkBeyond, který využívá generativní AI k vytváření konkrétních obchodních náhledů spolu s celkovými zprávami a aktualizuje tyto náhledy v průběhu času a jak se mění data⁸. 

Použití generativní AI v těchto oblastech přineslo významné dopady na efektivitu, přesnost a dostupnost znalostí. McKinsey odhaduje, že generativní AI by mohla přidat ekvivalent 2,6 až 4,4 bilionu dolarů ročně napříč 63 analyzovanými případy užití¹². Dále bylo zjištěno, že zákaznické podpůrné agenty, kteří používají AI nástroj k řízení jejich konverzací, viděli téměř 14% nárůst produktivity¹⁵. Generativní AI také zlepšuje kvalitu znalostí tím, že identifikuje a opravuje chyby, archivuje staré informace a přidává kontext a další informace k článkům o znalostech⁴.

h2. Reference případová studie 1

Zdroj: Konverzace s Bingem, 10. 1. 2024 

(1) How Generative AI Is Revolutionizing Knowledge Management - Forbes. https://www.forbes.com/sites/forbestechcouncil/2023/08/23/how-generative-ai-is-revolutionizing-knowledge-management/. 

(2) Scale knowledge management use cases with generative AI. https://www.ibm.com/blog/scale-knowledge-management-use-cases-with-generative-ai/. 

(3) Making document analysis easier with generative AI. https://www.crownrms.com/insights/making-document-analysis-easier-with-generative-ai/. 

(4) Document analysis platform | Petal. https://www.petal.org/. 

(5) Generative AI for data analytics: the future of ... - SparkBeyond. https://www.sparkbeyond.com/articles/generative-ai-for-analytics-the-future-of-enterprise-sense-making. 

(6) Economic potential of generative AI | McKinsey. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier. 

(7) Measuring the Productivity Impact of Generative AI | NBER. https://www.nber.org/digest/20236/measuring-productivity-impact-generative-ai. 

(8) How Generative AI Can Benefit Your Knowledge Management. https://www.ivanti.com/en-au/blog/how-generative-ai-can-benefit-your-knowledge-management. 

(9) Generative AI Knowledge Management Revolution. https://www.rezolve.ai/blog/generative-ai-knowledge-management-employee-support. 

(10) Generative AI in Knowledge Management and Contact Centers - Shelf. https://shelf.io/blog/generative-ai-knowledge-management/. 

(11) Automated Report Generation with Generative AI | Coursera. https://www.coursera.org/learn/automated-report-generation-with-generative-ai. 

(12) Generative AI: What Is It, Tools, Models, Applications and Use Cases. https://www.gartner.com/en/topics/generative-ai. 

(13) Document AI Custom Extractor, powered by generative AI, is now GA .... https://cloud.google.com/blog/products/ai-machine-learning/document-ai-custom-extractor-powered-by-generative-ai-is-now-ga. 

(14) The state of AI in 2023: Generative AI’s breakout year. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-AIs-breakout-year. 

(15) How Managers Can Harness Generative AI for Efficiency. https://aurisai.io/blog/generative-ai-efficiency/.

h2. Případová Studie 2: Zvýšení Inovací a Kreativity 

Generativní umělá inteligence (Generative AI) představuje revoluční nástroj, který mění způsob, jakým organizace vytvářejí, analyzují a optimalizují informace⁵. Generativní AI se stává klíčovou součástí společnosti, ve které lidé a stroje spolupracují⁵. Tato technologie nabízí transformační příležitosti pro firmy, neboť dokáže měnit způsob, jakým se práce provádí napříč funkcemi a pracovními postupy². 

Jedním z příkladů organizací, které využívají Generative AI k podpoře inovativních procesů a kreativního řešení problémů, je Taskade. Tato firma využívá Generative AI k generování unikátních, nelineárních nápadů, které mohou pomoci při brainstormingu a tvorbě nových konceptů¹⁴. 

Generative AI může pomoci při brainstormingu tím, že nabídne nápady založené na datech, které obohatí mapy empatie, generuje různorodé prototypy řešení a umožní rychlejší iteraci na základě zpětné vazby¹⁶. Generative AI také dokáže vytvářet obsah v reakci na přirozené jazykové požadavky, což umožňuje bezproblémovou interakci a výměnu nápadů¹⁴. 

Generative AI má také významný dopad na inovační procesy. Díky své schopnosti zpracovávat extrémně velké a rozmanité sady nestrukturovaných dat a provádět více než jednu úlohu, může Generative AI přinést nevídanou rychlost a kreativitu do oblastí jako je design, výzkum a generování textu⁵. Generative AI také umožňuje rychlejší vývoj produktů, vylepšený zákaznický zážitek a zvýšenou produktivitu zaměstnanců⁵. 

Generative AI také zlepšuje kvalitu a originalitu řešení. Díky své schopnosti podporovat divergentní myšlení, výzvu odborného zkreslení, pomoc při hodnocení nápadů, podporu zdokonalování nápadů a usnadnění spolupráce mezi uživateli⁴, může Generative AI pomoci překonat tyto výzvy a doplnit kreativitu zaměstnanců a zákazníků, pomoci jim produkovat a identifikovat nové nápady a zlepšit kvalitu surových nápadů⁴.

h2. Reference případová studie 2

Zdroj: Konverzace s Bingem, 11. 1. 2024 

(1) Generative AI: What Is It, Tools, Models, Applications and Use Cases. https://www.gartner.com/en/topics/generative-ai. 

(2) How companies can embrace generative AI innovation | McKinsey. https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/companies-with-innovative-cultures-have-a-big-edge-with-generative-ai. 

(3) Harnessing AI for Brainstorming: A New Era of Idea Generation | Taskade. https://www.taskade.com/blog/ai-brainstorming/. 

(4) Is AI the Ultimate Brainstorming Tool? - Medium. https://medium.com/@govindh_imba/is-ai-the-ultimate-brainstorming-tool-23f95aa6c4a7. 

(5) How Generative AI Can Augment Human Creativity - Harvard Business Review. https://hbr.org/2023/07/how-generative-ai-can-augment-human-creativity. 

(6) How Generative AI Could Disrupt Creative Work - Harvard Business Review. https://hbr.org/2023/04/how-generative-ai-could-disrupt-creative-work. 

(7) Fostering continuous innovation and creativity with generative AI. https://workspace.google.com/blog/ai-and-machine-learning/innovation-and-creativity-generative-ai. 

(8) Economic potential of generative AI | McKinsey. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier. 

(9) Generative AI and Sustainability: Green Tech Innovations in 2024. https://techbullion.com/generative-ai-and-sustainability-green-tech-innovations-in-2024/. 

(10) What is Generative AI & Why is It Important? | Accenture. https://www.accenture.com/in-en/insights/generative-ai. 

(11) How Generative AI Is Revolutionizing Knowledge Management - Forbes. https://www.forbes.com/sites/forbestechcouncil/2023/08/23/how-generative-ai-is-revolutionizing-knowledge-management/. 

(12) Scale knowledge management use cases with generative AI. https://www.ibm.com/blog/scale-knowledge-management-use-cases-with-generative-ai/. 

(13) Generative AI Knowledge Management Revolution. https://www.rezolve.ai/blog/generative-ai-knowledge-management-employee-support. 

(14) How Generative AI Can Benefit Your Knowledge Management. https://www.ivanti.com/en-au/blog/how-generative-ai-can-benefit-your-knowledge-management. 

(15) Generative AI in Knowledge Management and Contact Centers - Shelf. https://shelf.io/blog/generative-ai-knowledge-management/. 

(16) Generative AI and the future of problem-solving - UX Collective. https://uxdesign.cc/generative-ai-and-the-future-of-problem-solving-revised-9d5cd53ae85b. 

(17) Will ChatGPT replace human creativity? A designer’s perspective. https://www.designit.com/stories/point-of-view/will-chatgpt-replace-human-creativity.

h2. Případová Studie 3: Řešení Etických a Bias otázek 

Generativní umělá inteligence (Generative AI) představuje revoluční nástroj, který mění způsob, jakým organizace vytvářejí, analyzují a optimalizují informace⁸. Generative AI se stává klíčovou součástí společnosti, ve které lidé a stroje spolupracují⁸. Tato technologie nabízí transformační příležitosti pro firmy, neboť dokáže měnit způsob, jakým se práce provádí napříč funkcemi a pracovními postupy². 

Jedním z příkladů, kde byly identifikovány a řešena etická dilemata nebo bias (předpojatost) v generativní AI, je UNESCO. Tato organizace uvádí příklady genderového biasu v umělé inteligenci, který pochází ze stereotypních reprezentací hluboko zakořeněných v našich společnostech¹. Například, pokud zadáte do vyhledávače frázi "největší vůdci všech dob", pravděpodobně uvidíte seznam světových prominentních mužských osobností. Kolik žen se v tomto seznamu objeví? Podobně, pokud zadáte do vyhledávače "školní dívka", pravděpodobně se objeví stránka plná žen a dívek v různých sexualizovaných kostýmech https://www.unesco.org/en/artificial-intelligence/recommendation-ethics). 

UNESCO se s tímto problémem vypořádalo tím, že vytvořilo první globální standard pro etiku AI - 'Doporučení o etice umělé inteligence' v listopadu 2021. Tento rámec byl přijat všemi 193 členskými státy. (https://www.unesco.org/en/artificial-intelligence/recommendation-ethics/cases)  UNESCO také publikovalo metodologii pro hodnocení připravenosti na AI, diagnostický nástroj, který má podpořit vlády při zajištění toho, aby byla umělá inteligence vyvíjena a nasazována eticky. (https://articles.unesco.org/en/articles/artificial-intelligence-unesco-publishes-policy-paper-ai-foundation-models) 

Organizace přistupují k odhalování a minimalizaci biasu v generovaných datech a výstupech AI různými způsoby. NIST například doporučuje širší pohled na zdroje těchto biasů - od procesů strojového učení a dat používaných k tréninku softwaru AI až po širší společenské faktory, které ovlivňují, jak se technologie vyvíjí⁴. Další doporučení zahrnují použití nulových nebo prvních stran dat, udržování dat aktuálních a dobře označených, zajištění, že je člověk zapojen do smyčky, testování a opětovné testování a získávání zpětné vazby². 

Generative AI má také významný dopad na spravedlnost a objektivitu v procesu znalostního managementu. Díky své schopnosti podporovat divergentní myšlení, výzvu odborného zkreslení, pomoc při hodnocení nápadů, podporu zdokonalování nápadů a usnadnění spolupráce mezi uživateli⁴, může Generative AI pomoci překonat tyto výzvy a doplnit kreativitu zaměstnanců a zákazníků, pomoci jim produkovat a identifikovat nové nápady a zlepšit kvalitu surových nápadů⁴.

h2. Reference případová studie 3

Zdroj: Konverzace s Bingem, 11. 1. 2024 

(1) How Generative AI Is Revolutionizing Knowledge Management - Forbes. https://www.forbes.com/sites/forbestechcouncil/2023/08/23/how-generative-ai-is-revolutionizing-knowledge-management/. 

(2) Managing the Risks of Generative AI - Harvard Business Review. https://hbr.org/2023/06/managing-the-risks-of-generative-ai. 

(3) Artificial Intelligence: examples of ethical dilemmas | UNESCO. https://www.unesco.org/en/artificial-intelligence/recommendation-ethics/cases. 

(4) There’s More to AI Bias Than Biased Data, NIST Report Highlights. https://www.nist.gov/news-events/news/2022/03/theres-more-ai-bias-biased-data-nist-report-highlights. 

(5) Generative AI Ethics in 2024: Top 6 Concerns - AIMultiple. https://research.aimultiple.com/generative-ai-ethics/. 

(6) NIST Proposes Approach for Reducing Risk of Bias in Artificial .... https://www.nist.gov/news-events/news/2021/06/nist-proposes-approach-reducing-risk-bias-artificial-intelligence. 

(7) What Do We Do About the Biases in AI? - Harvard Business Review. https://hbr.org/2019/10/what-do-we-do-about-the-biases-in-ai. 

(8) How to Reduce Bias in AI with a Focus on Training Data - Appen. https://appen.com/blog/how-to-reduce-bias-in-ai/. 

(9) Generative artificial intelligence as a new context for management .... https://www.emerald.com/insight/content/doi/10.1108/CEMJ-02-2023-0091/full/html. 

(10) Frontiers | Generative artificial intelligence empowers educational .... https://www.frontiersin.org/articles/10.3389/feduc.2023.1183162/full. 

(11) [2107.07754] Measuring Fairness in Generative Models - arXiv.org. https://arxiv.org/abs/2107.07754. 

(12) undefined. https://doi.org/10.1108/CEMJ-02-2023-0091.

h2. Budoucnost Generative AI a znalostního managementu 

Budoucnost Generative AI a znalostního managementu slibuje revoluci ve shromažďování a využívání znalostí organizací. Historie a vývoj Generative AI představují klíčové milníky a technologické inovace, které formují jeho budoucnost. Již nyní se Generative AI uplatňuje ve znalostním managementu, kde posiluje sdílení a využívání znalostí. Očekává se výrazný růst trhu generative AI, který by mohl do roku 2033 dosáhnout hodnoty 1,3 bilionu dolarů. Tento růst bude poháněn infrastrukturou pro školení a postupně se přesune k jazykovým modelům, digitální reklamě a specializovanému softwaru. Vzrůstající poptávka může přinést zhruba 280 miliard dolarů nových softwarových příjmů, přičemž předními hráči budou společnosti jako Amazon Web Services, Microsoft, Google a Nvidia.

h3. Možnosti a rizika spojená s dalším rozvojem těchto technologií 

Možnosti a rizika spojená s dalším rozvojem generativních technologií jsou rozmanitá a komplexní. Na pozitivní straně lze očekávat, že tyto technologie budou nadále přinášet inovace a zlepšení v různých odvětvích. V oblasti znalostního managementu mohou generativní AI přinést efektivnější způsoby shromažďování, uchovávání a využívání informací, čímž usnadní rychlé rozhodování a kreativní procesy. Zároveň mohou přispět k vývoji personalizovaných asistentů a nástrojů, které zvýší produktivitu a zlepší uživatelský zážitek. 

Nicméně, s tímto pokrokem přicházejí i výzvy a potenciální rizika. Etické otázky spojené s generativními technologiemi zahrnují možné zneužití pro šíření dezinformací, vytváření falešných informací a potenciální ohrožení soukromí jednotlivců. S nárůstem schopností generativních modelů mohou být lidé vystaveni novým hrozbám v oblasti kybernetické bezpečnosti a zneužití technologií pro manipulaci s obsahem. 

Důležité je také zdůraznit, že se s rozvojem těchto technologií mohou prohlubovat nerovnosti a vznikat nové sociální a ekonomické disparitety. Přístup k pokročilým generativním nástrojům a technologiím nemusí být rovnoměrně distribuován, což může vytvářet digitální propast a omezení příležitostí. 

Organizace a společnost jako celek budou muset aktivně řešit tyto otázky a pracovat na implementaci odpovídajících regulačních rámců a standardů. Otevřený dialog mezi průmyslem, vládami a občanskou společností bude klíčový pro spravedlivý a odpovědný rozvoj generativních technologií, který přinese skutečný prospěch společnosti.

h2. Závěr 

Závěr práce reflektuje omezení spojená s nedostatkem relevantních článků a časovými omezeními, které ovlivnily hloubkovou analýzu problematiky. Zjištění naznačují, že přestože Generativní umělá inteligence přináší nové perspektivy pro znalostní management, nedostatek dostupných informací brání v plném porozumění a využití této technologie.

Velmi prudký vzestup AI až v nedávné době (rok 2023) mohl být důvodem omezené dostupnosti relevantních zdrojů. Očekává se, že vývoj v této oblasti bude pokračovat, a s postupem času se objeví více informací a praktických příkladů implementace GenAI do znalostního managementu.

Důležité je také uznat, že implementace nových technologií, zejména v oblasti umělé inteligence, vyžaduje čas a přizpůsobení ze strany organizací. Fáze boomu GenAI mohly být příliš krátké na to, aby firmy mohly efektivně implementovat tuto technologii do svých procesů znalostního managementu. Je tedy klíčové sledovat další vývoj v oblasti GenAI a zhodnotit možnosti jeho integrace do praxe, jakmile se dostupnost informací a technologická vyspělost organizací posílí.

Celkově lze říci, že i přes uvedená omezení, se ukazuje potenciál GenAI v oblasti znalostního managementu, ačkoliv stávající stav technologického vývoje a dostupnost informací brání důkladnějšímu zkoumání této problematiky. Další výzkum a praxe budou klíčové pro plné pochopení a využití této inovativní technologie v oblasti správy znalostí. Domnívám se, že čas pro zpracování takového tématu ještě nenastal. Vidíme ho v horizontu až několika následujících let.

h2. Reference

(1) https://www.coursera.org/articles/what-is-generative-ai

(2) https://www.gartner.com/en/topics/generative-ai

(3) https://www.ibm.com/topics/machine-learning 

(4) https://www.ibm.com/topics/neural-networks

(5) https://www.ibm.com/topics/knowledge-management 

(6) https://www.kminstitute.org/blog/goal-knowledge-management

(7) https://bloomfire.com/blog/goals-knowledge-management-technology/

(8) https://www.indeed.com/career-advice/career-development/knowledge-management-tools 

(9) https://www.zendesk.com/service/help-center/knowledge-management-tools/ 

(10) https://www.techtarget.com/searchEnterpriseAI/tip/The-history-of-artificial-intelligence-Complete-AI-timeline

(11) https://www.bbvaopenmind.com/en/articles/technological-progress-and-potential-future-risks/

(12) https://www.forbes.com/sites/delltechnologies/2024/01/04/the-future-of-ai-is-about-to-get-more-evenly-distributed/?sh=4ef299f74be8