人工智能環境下的知識管理：變革發展與系統框架

歐陽智　魏琴　肖旭

摘 要：人工智能技術的快速發展和廣闊應用，對組織內部的知識管理產生了巨大的沖擊。文章基于人工智能環境下知識管理的變革和發展視角，通過分析人工智能環境下的知識管理和知識組織，認為人工智能對知識管理特別是知識創造產生了實質性的變革，也為知識的組織與應用提供了發展支持。最后構建嵌入了深度學習、自然語言處理等人工智能技術的知識管理系統框架，實現了從知識創造到分享到利用的全鏈條的人工智能輔助知識管理。

關鍵詞：人工智能；知識管理；知識創造；深度學習；知識管理系統

中圖分類號：TP18；G203 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2017120

Abstract The rapid development and wide applications of artificial intelligence technology have greatly impacted the knowledge management inside organizations. From the perspective of knowledge management transformation and development under artificial intelligence environment， this paper analyzes the influence of artificial intelligence on knowledge creation and management. It shows that artificial intelligence brings in substantial transformation in knowledge management ， especially knowledge creation， and also provides developing support for the organization and application of knowledge. Besides， this paper suggests that knowledge management system framework within artificial intelligence technology embedded， such as deep learning， natural language processing， etc.，in order to achieve all-chain knowledge management from knowledge creation to knowledge sharing to knowledge application.

Key words Artificial Intelligence； knowledge management； knowledge creation； deep learning； knowledge management system

1 引言

近年來，人工智能技術快速發展，并得以廣闊應用，推動因素包括摩爾定律的突破、并行計算、云計算的發展、軟硬件的提升，以及可利用數據集的擴大等。2017年7月，國務院印發了《新一代人工智能發展規劃》（以下簡稱《規劃》），《規劃》明確了我國新一代人工智能發展的戰略目標，并提出了發展人工智能的重點任務，包括構建開放協同的人工智能科技創新體系、建設安全便捷的智能社會等。在此基礎上，很多省市也開始緊鑼密鼓地布局人工智能領域，如 2017年11月14日，上海市政府出臺的《關于本市推動新一代人工智能發展的實施意見》，要求到2030年上海人工智能總體發展水平進入國際先進行列，初步建成具有全球影響力的人工智能發展高地；2017年11月24日，重慶啟動人工智能重大主題專項工作，擬在未來三年，在大數據智能計算理論、高級機器學習理論、智能感知、人機交互、智能網聯汽車、智能機器人等領域投入10億元以上，吸引創新實體投入1000億元以上。

Makridakis[1]指出在人工智能的革命下保證組織競爭優勢，最為核心的就是在大數據、算法決策以及精益運營方面保持先進。這意味著，企業組織的發展不僅要在數據處理和計算等技術方面提升，同時也需對數據和運營之中的知識管理方面加強投入；ODell and Grayson[2]認為知識管理就是一種有意識的策略，目的是使合適的人在合適的時間里得到合適的知識，并幫助他們分享，使信息轉化為行動，以此來改善組織的績效。盡管在組織內部經常會有自發的知識分享，但是知識管理更加強調一種有意識的、系統化的方法來管理知識，其核心在于探索如何保存、發現和應用知識。

當前，知識管理是否會受到人工智能影響，這一點，學者似乎沒有異議。如唐曉波和李新星[3]指出人工智能會將知識服務由經驗主義轉為數據驅動，從而使服務主體更多元，內容更豐富；張興旺[4]指出人工智能的發展將會對圖書館研發方法論、服務模式和知識管理與服務產生巨大影響。對于組織知識管理與服務，張興旺[4]表示，人工智能可能會重塑其傳統的業務面貌，還可能會改變其獲取→生產→認知→體驗→推送的知識管理鏈條；邱均平和韓雷[5]指出，利用人工智能在知識工程和管理的應用是未來十年知識管理領域的一個重要趨勢。那么，在人工智能環境下，人工智能如何影響組織的知識管理、組織知識管理是否被顛覆、組織知識管理系統需如何應對都是值得關注和研究的問題。本文將基于現有的知識管理和人工智能文獻，從知識管理相關理論出發，對這些問題予以分析討論。

2 人工智能對知識管理的影響與支持

相對于傳統的知識創造過程，人工智能為知識管理的第一個步驟——知識創造[6]帶來了巨大的變革影響，也為已有知識的組織，即知識管理的后三個步驟（存儲、轉移和應用）提供了一定支持。endprint

2.1 人工智能對知識創造的影響

知識創造是知識管理的開端，也是其最為重要的一個環節。這里所創造的知識，按照比較廣義的解釋，是指個人信念一種朝向“真理”驗證的動態過程[7]。區別于其他的狹義的解釋，Nonaka等[7]的定義更加強調了知識的動態性和價值性。這些特性意味著，知識的創造過程是不同于傳統的信息創造過程。如果從數據（data）—信息（information）—知識（Knowledge）的發展來看，信息被認為是數據之間具有意義的排列和組合，而知識則是信息之間具有意義和價值的整合。只有通過加工、處理和應用，信息才能成為知識。

就知識的類型，最為主要的分類就是顯性知識和隱性知識。其中，顯性知識是指通過概括所實現的可陳述和表現的知識；隱形知識則指在具體情境下基于行動、經驗和參與的知識，其分為認知性和技術性兩種[8]。基于這種分類，Nonaka and Takeuchi提出了四種知識創造的過程，即社會化、內部化、結合化和外顯化[9]。針對人工智能技術和應用場景所帶來的變化，本文將基于該理論來探討人工智能下組織知識創造所產生的影響。

2.1.1 人工智能下的隱性知識創造

組織內隱性知識的創造主要有兩種途徑，即社會化和內部化。知識創造的社會化過程是指通過對話和交流等方式將隱性知識轉化為其他形式的隱性知識。隱性知識在學界更多地被認定為一種無法被編碼和清晰表示的知識類型，如難以表達的技能技巧、價值觀、直覺、組織文化等[8]。現有技術縱使發展迅猛，但是破解意識層面的神經結構和運作機制仍然還存在很大距離。因此，人工智能在這兩方面的知識創造仍無法帶來實質性的變革。然而，基于人工智能的相關技術仍能對社會化與內部化過程產生一定的影響。

傳統上，社會化主要是在已有的隱性知識基礎上，通過個人之間的溝通、交流和對話產生新的隱性知識，如創新性的觀點和想法。人工智能雖然無法成為隱性知識的載體，但是其能夠為個人之間的溝通提供一個更為便利的平臺。如基于人工智能的人機交互系統的組織團隊討論，無論是線上還是線下，均能迅速識別個體的文本和語音，通過捕捉關鍵詞和查找關鍵詞語與關鍵問題相關的顯性材料，為團隊交流提供多源的信息渠道和知識基礎。

目前人機交互（Human-Computer Interaction）的發展已經不僅僅包括語音，還可以包括手勢、眼球運動等[10]。這種基于人工智能參與的知識分享和討論，不僅促進了個體溝通的便利性，還能夠提升個體隱性知識產生的效率。盡管如此，這種影響仍是一種工具性的變化，如需真正產生突破，可能需要腦機交互（Brain-Computer Interaction）技術的發展。目前的腦機交互系統主要通過對大腦活動的識別，特征抽取技術，半監督分類方法等研究大腦對外部環境的影響，不過其可靠性、準確性、信息轉化率仍較低[11]。

類似于社會化過程，內部化過程則是通過現有的顯性知識來產生新的隱性知識。由于終端知識的輸出仍為隱性，因此和社會化過程一樣，人工智能對隱性知識的內部化創造過程也是一種工具性的影響。除了同樣在交流平臺上提供便捷，人工智能對顯性知識的整合優勢可能對于內部化過程具有更突出的意義。內部化與社會化的不同在于其主要是個人依靠現有的顯性知識來進行學習從而獲得隱性知識。為了提高這種學習的便利性和效率，基于自然語言生成的文本摘要、智能代理（Intelligent agents）等工具對于內部化具有一定的好處[12]。自然語言生成是基于一定的模板范式，能夠自動地獲取文本的摘要和提綱，而智能代理則通過定期收集信息或執行服務程序，在無需人工干預的情況下，根據用戶定義的規則，自我學習并按照用戶的興趣來進行知識分發。因此類似自然語言生成的文本摘要、智能代理等工具將能大大改善個體對顯性知識的獲取和吸收，從而促進組織內部化的知識創造過程。

2.1.2 人工智能下的顯性知識創造

顯性知識的創造同樣也有兩種途徑，即結合化和外顯化過程。知識創造的結合化過程是個體通過現有的顯性知識通過分析、加工、綜合產生新的顯性知識。這種最為熟悉的知識創造過程，目前已由大數據和機器學習等方法和技術帶來了巨大突破。傳統上，這種結合化的過程效率往往有限。一方面，大量的跨領域數據已讓研究者和實踐者目不暇接，而另一方面，他們又苦于某些重要數據的缺乏。隨著信息技術的發展，之前難以獲取的數據已紛至沓來，如消費者數據、物聯網數據等。基于大數據分析的人工智能和機器學習，能夠從這些數據中產生新的重要知識。可以說，人工智能已經對傳統的結合化過程產生了重大變革。

這種變革已經在營銷和金融領域顯現出來了。得力于其可獲得的大量跨時空數據，相關研究通過進行實時關聯分析、預測分析、趨勢分析等，產生了豐富的新（顯性）知識。同時，一些企業也基于這些新知識，開發了相應的商業模式，實現了數據資源的變現。如阿里巴巴基于信用信息、購物信息、地理位置信息的整合，獲得了消費者的個體畫像，并通過這些畫像實現精準營銷和廣告。這里消費者的精準畫像，就是通過結合化所產生的新（顯性）知識。因此，通過大數據和人工智能的幫助，結合化的知識創造在效率和內容上獲得了巨大突破，大量新的知識隨之產生。

外顯化是將個體的現有隱性知識轉化為顯性知識。這對于組織而言，是目前最為困難和最為重要的一種知識創造過程[13]。與內部化和結合化不同的是，外顯化并沒有直接合適的顯性知識作為輸入，可以從現有的顯性知識入手，因此目前并沒有一個真正能夠實現外顯化的系統產生，盡管這種系統在組織中尤為重要。雖然管理者大多都承認組織所需要的知識其實已經在組織內部了，但是如何識別這些知識，如何準確描述這些知識，目前卻仍未有頭緒[14]。因此，外顯化過程的實現對于組織創造知識、保存知識、應用知識都具有重大意義。

盡管傳統方法在外顯化過程中折戟，但人工智能能為外顯化的實現帶來一定的突破和變革。目前的神經網絡方法，無論是卷積神經網絡、遞歸神經網絡，還是對抗神經網絡，也都在模擬大腦的運算機制，盡管其推理和決策的機制與過程仍不清晰。如Olden and Jackson[15]采用了神經元解釋圖、敏感性分析、Garson算法、隨機方法等機制來探索人工神經網絡神經元數值和之間的關系權重，但是對于多隱層的網絡結構則效果降低。即便如此，基于監督或非監督的方法，這種機器學習仍能獲得準確率較高的結果。而隱性知識的顯性化過程如果能提取到足夠的標簽信息，其也能依靠深層學習來獲得可靠的顯性知識。就知識管理理論而言，Pickering and King[16]指出應用信息技術之所以可以推動人與人“弱關系”的建立，事實上是提高知識分享的范圍，但是如果兩人沒有共同的隱性知識空間，那么信息技術也無法真正得以實現知識交換。這種隱性空間實際上搭建了基于人工智能外顯化的理論基礎。endprint

因此，輸入基本規則，機器學習似乎可以模仿一些知識的顯性表達和產生。在此基礎上，深度學習可以嵌入更多隱性的多層感知器；增強學習則加入了馬爾科夫過程，通過自我訓練，在較少地指導下進行預測。這些技術能夠為外顯化帶來突破，實現機器的自我學習。隨著深度學習和增強學習的發展，未來人工智能將會有更高的學習能力和速度，而基于人工智能的外顯化系統也將受到更多學者和實踐者的關注。

綜上，社會化和內部化，由于其最終知識載體在于個體內部，因此人工智能目前所帶來的影響主要是工具性的；相反，外顯化和結合化，人工智能不僅能在工具方面帶來便利，也會對最終知識產生的方式和內容都帶來實質性的影響（見表1）。尤其需要指出的是，外顯化可能是人工智能所帶來最具有價值和最大變革的一方面。傳統基于IT的知識管理都主要關注于那些可以被編碼的知識（即顯性知識），其往往忽略了個人有價值的隱性知識資源[17-18]，而發展成熟的信息系統也主要是關注已編碼好的知識，而隱性知識則無法處理[13]。因此，通過人工智能實現知識的外顯化，對于組織知識的保有和利用，都具有重大意義。

2.2 人工智能對知識組織的支持

在新知識得到創造以后，組織最關心的則是如何對這些知識進行組織和應用，即知識的存儲、轉移和應用。人工智能的發展不僅能夠為知識的創造提供新的手段，也能為知識的存儲、轉移和應用提供支持。

組織內的知識存儲，區別于計算機領域的數據庫（database）、數據倉庫（Data Warehouse）等，其考慮的則是組織記憶，即那些存儲于組織內部、可用于當前決策的知識，包括手寫的檔案、格式化的電子信息，存在專家系統中的已編碼知識、組織過程和章程以及組織內員工的隱性知識等。這里已編碼的部分目前已隨著IT技術的滲透，得到了有效存儲和管理。汪建基等[19]指出，碎片化的知識處理和保存，都會以云平臺、云存儲、云計算為基礎，利用網絡化人工智能，實現場景下的知識應用。盡管隱性部分如組織文化可以隨著組織慣性的影響而長期存在，但是如個人經驗、團隊氛圍等隱性知識則因個人或團隊的離開而很難保有。目前，研究的突破主要是在個人經驗這方面：通過利用人工智能的方法，探索外顯化系統，來實現組織內個人經驗知識的保留。

組織中的知識轉移，主要包括個人與個人之間、團隊與團隊之間、組織與組織之間的知識交換和轉移，其核心在于知識分享。由于企業組織的扁平化，組織內部個人的有效知識遷移成為目前的研究熱點，尤其是在現有的IT系統下對知識分享進行推進[20]。信息分發平臺、專家系統、內部論壇等都在于促進個人之間、團隊之間、子組織之間的信息溝通和交流。人工智能時代的到來，能夠為個人實現更加定制化的信息傳輸服務。通過將大量信息和知識的搜索和整合，人工智能可以為這種知識轉移過程提供一定的便利。

組織內的知識應用是考慮組織如何利用已有的知識來提高績效。這其中最為關鍵的就是知識選取和展示。已有的知識庫不僅包含了可編碼的知識，也包含那些具有特殊隱性知識的專業人員。面對組織的管理和戰略問題，選取哪些知識，尋找哪些人員都是知識應用過程的難點，而人工智能能夠為這個問題帶來新的突破。基于問題的關鍵字，人工智能可將搜索的范圍從傳統的文本擴展到圖片、語音和視頻；通過將相關的多結構信息和具體的人員聯系，可以實現信息-人物-事件的知識鏈條，為組織知識應用提供更為高效的渠道。此外，知識的有效展示對于知識的應用也非常重要。曾文和劉敏[21]指出，無論是顯性知識還是隱性知識，其有效的可視化方法和技術都能提高知識的利用水平。利用基于人工智能的相關技術如語音交互、混合現實等，可以幫助不同類型知識的可視化實現，方便個人或團隊的知識理解和應用。

3 嵌入人工智能的知識管理系統框架設計

Davenport和Prusak[22]指出了知識管理的主要目的：將隱性知識顯現化；促進知識分享（形成知識密集型的文化氛圍）；建立知識基礎設施（構建平臺和工具）。為了實現這些目的，在知識管理四個過程的基礎上，一些學者和實踐者提出了知識管理系統。所謂知識管理系統（Knowledge Management System， KMS）就是一種用于支持組織內部進行知識管理的管理系統、技術系統和組織系統[23]。

知識管理系統橫跨計算機和知識管理領域。Tiwana[24]基于開放式系統互聯（Open System Interconnection， OSI）提出了一個七層的知識管理系統架構模型；而在知識管理領域，Abou-Zeid[25]則從開發技術解決方案視角提出了知識管理系統概念模型。在這些基礎上，Chua[26]整合了技術框架和概念模型，提出了知識管理系統的三層架構：最底層為基礎設施層，提供知識的存儲和通訊；中間層為知識服務層，是KMS架構的核心業務，包括知識創造模塊，知識分享模塊和知識再使用模塊；最高層是展示服務層，是知識的個性化和可視化展現平臺。通過整合三層結構的服務，從知識管理的邏輯鏈條出發，知識管理系統提供了一個閉環的知識管理解決方案。

基于上節的分析，人工智能將對知識管理產生巨大的影響。反應在具體的知識管理系統方面，人工智能又是如何體現的呢？

針對這個問題，目前學界正在積極探索。張建華[27]從系統工程與協同合作的視角出發，提出了基于人工智能的集成化KMS。該系統框架同樣從知識鏈條出發，包含組織內外部環境的交互，并通過人工智能技術支持知識管理的智能化，但并沒有指出人工智能在系統中的具體應用場景。馬思言等[28]在具體的制造背景下，討論了人工智能知識管理系統的應用；通過提取關鍵字，從事實庫、規則庫和推理機等，獲取相應的專家知識；鐘英姿[29]則是在傳統的KMS之中添加了數據挖掘功能，以期從現有知識庫中產生新的知識。這類研究主要是針對KMS某個功能下的人工智能使用，但是沒有討論人工智能下集成化的KMS。endprint

主流知識管理工具則還未廣泛應用人工智能。李穎和姚藝[30]通過現有KMS文獻的梳理，指出大多數KMS主要是基于多agent，基于XML，以及基于Web存儲系統的管理系統。這些基于傳統信息技術的工具對人工智能的應用一般不多。如ONES Wiki能夠實現多點信息同步、知識分享和文檔協作，能夠結構化會議記錄等信息。開源組織KMS，Alfresco則能為組織開發具體場景的知識管理應用提供幫助，組織文檔數據庫、可擴展的內容數據庫、工作記錄管理、知識平臺信息共享平臺等。iManage Insight可以幫助組織進行知識庫管理，通過強大的組織級搜索引擎，尋找相關的知識點和知識源。這些工具主要是在現有的軟件基礎上實現基本的知識管理功能，沒有直接使用人工智能可能源于其技術仍未成熟推廣。不過，一些新的組織開始在這方面進行了探索。如超虛幻境CMS系統，便在滿足基本的文檔組織和管理的基礎上，還增加了AI解說和AR呈現等功能，將知識的表現通過聲音和影像予以表現。

本文在現有應用的基礎上，嘗試對人工智能下的知識管理系統進行探索，提出了嵌入人工智能的集成KMS架構，試圖分析人工智能為整個知識管理所產生的價值。該KMS框架主要基于Chua[26]的知識管理系統架構，嵌入并結合了目前的深度學習、自然語言處理等人工智能技術（見圖2）。

4 嵌入人工智能的知識管理系統功能結構

4.1 基礎設施層

基礎設施層在傳統的KMS中主要提供存儲和通信的功能。AI背景下，這些功能并沒有改變，但是其可以加入基于AI芯片的計算機硬件和分布式數據庫的管理。盡管目前的軟硬件水平仍然能夠滿足人工智能的處理，但是通過使用相應的AI處理芯片，將提高整個KMS的運算效率。

相較而言，AI芯片的核心就是在傳統CPU/GPU/ISP/DSP的基礎之上，加入了嵌入式神經網絡處理器。目前，英偉達、英特爾、IBM、谷歌等巨頭都在著力開發云服務器端的AI芯片，以支持復雜網絡結構的運算需要并保證算法的正確率和泛化能力。中國組織寒武紀也在進行專用芯片的研發，以保障云服務器和智能終端上的圖像識別、語音識別等應用。因此，作為人工智能的發動機，AI芯片對于應用層的人工智能服務提供物理層的保證；未來的知識管理系統也會隨著AI芯片的成熟而將其嵌入其中。

另一方面，由于計算機視覺的發展，目前的基本數據不僅僅包括傳統的文本，還可能有占用空間更高的圖片、語音和視頻等。分布式數據庫則是針對大型AI應用在容量和性能方面，保證大量數據和信息的存儲和搜索。這種分布式的數據庫管理不僅可以在組織的服務器上，也可以利用第三方云存儲。通過云計算，將大量的知識數據存儲到后端不同的物理節點之上。

4.2 知識服務層

知識服務層是KMS實現知識管理的核心部分。在該層中，知識創造、知識分享和知識再利用都能夠嵌入AI的相關功能。

知識創造方面，未來嵌入AI的KMS可以將文本擴展到更多媒體形式中。盡管現在的KMS工具如企微云，也能上傳圖片、視頻和音頻，但目前只能作為知識庫進行管理、標題搜索和調取。嵌入AI的KMS應對這些非結構數據進行內容的搜尋和存儲。不過現在這方面的人工智能技術并未推廣，如科大訊飛在中文語音識別的優勢便很難任意嵌入到一個自定義的KMS系統之中；而圖片和視頻關鍵信息的抽取，則是目前機器視覺的一個前沿，如Ramanathan等針對圖像和視頻的自然語言描述和搜索[31]；楊陽和張文生[32]通過深度學習實現圖片物體自動標注，但是這離最終圖片含義、視頻信息提取還存在一定的距離。

在獲取基本的知識后，未來嵌入人工智能的KMS應能夠基于關聯分析、預測分析、趨勢分析實現現有知識的再創造（結合化），并通過機器學習、深度學習、增強學習實現組織個體隱性知識的轉化（外顯化）。目前這些技術以及具體的場景應用已比較廣泛，如沈敏等[33]利用機器學習的方法進行關聯和預測分析，探索圖書館中用戶對不同書籍的檢索偏好。通過利用TensorFlow、Caffe、DMTK、Torch等工具對現有知識進行機器學習創造新知識，可以嵌入到組織自定義的KMS之中。未來如何自動化、智能化地實現這種知識創造則依賴于初始知識輸入的標準化，其需要更多學者的關注和研究。

在知識分享模塊中，未來KMS可以對信息構建知識圖譜，對個人構建社交圖譜，通過基于深度學習的圖計算方法為知識創造和知識利用提供支持。可適應工作流系統在自動化辦公系統中已經有成熟應用，如吳少俊[34]為動態工作流所提出的基于Web面向服務的解決方案，保障了辦公自動化系統的自適應和柔性。因此，針對于零散的知識獲取和分享過程，未來的KMS也加入可適應工作流系統來推動更靈活的知識管理。

就知識再利用模塊，人工智能的應用最為主要的一方面就是相關知識的搜索和推薦。傳統搜索引擎通過目錄搜索、全文搜索來選擇關鍵字匹配的信息，目前則通過深度學習，神經網絡等方法來提高信息搜索和推薦。如Shen等[35]利用卷積神經網絡來提高網頁搜索的效率，而Elkahky等[36]則在跨領域用戶的推薦系統中采用了深層學習的技術等。搜索引擎獲取相關的信息，而推薦系統就用戶過去的興趣輸入實現自動推送相關知識。圖像識別和自然語言挖掘不僅在基礎知識創造上可應用，在最終的知識搜索和利用中也同樣需要。

4.3 展示服務層

最頂層展示服務層體現了組織人員對KMS的實際應用。除了原有的個性化和可視化，目前的人工智能已經能夠實現基本的人機交互。如蘋果iOS系統的Siri，基于Windows系統的小娜，Android系統的Google Assistant， 靈犀等語音助手，都能夠通過與用戶進行溝通交流，提供更為便捷的服務。類似的技術還有AR、VR等，如前文所述的超虛幻境CMS系統，將知識通過影像和聲音進行展示和表現。任宗強和劉冉[37]指出，人機交互的知識管理集成平臺能夠提高知識管理過程的智能化，改善知識創造的效率。未來嵌入AI的KMS應將自然語言在文本和語音的識別等作為知識管理系統的前端，更好實現人機之間的交互。這種交互系統能夠獲取所需要的關鍵信息和問題，并在知識庫中搜索解決方案，并實時地予以表示。endprint

未來嵌入AI的KMS也應該包含智能代理工具。智能代理可用于知識管理系統中知識的搜尋和檢索，用于分析知識、郵件、網頁等，并實時分發摘要和信息。李偉超和牛改芳[38]表示，利用基于人工智能的智能代理，通過知識庫和規則庫設定以及推理機算法，智能、自主式地信息分發。這種智能代理作為KMS的前端，可以將新產生的知識及時傳輸，便于組織團隊的使用。

通過整合三個層次的服務，該知識管理系統可以實現知識全鏈條的管理，同時人工智能也可以得到更為廣泛的應用。如更針對KMS的功能（獲取過去項目信息和專業知識，文本挖掘、智能代理等）可以快速搜索需要的信息；針對上游供應商或下游顧客關系的管理，基于顧客或供應商信息的大數據分析可以探索他們的潛在需求和行為；針對組織知識庫存儲，人工智能可以參與管理，如用于質量管理和標桿學習的某具體過程行業最佳實踐案例存儲，AI則可以加入組織的現實情況，提高案例應用的決策效果等。這種嵌入AI的知識管理系統，大大方便了組織員工的知識創造、分享、傳遞和利用，提高了組織內部知識管理的效率和質量。

5 結語

人工智能已成為了近年社會最為關注的領域之一。隨著人工智能技術的快速發展和廣闊的應用，其對組織知識管理也產生了巨大的影響，對于組織知識創造，尤其是結合化和外顯化，產生了巨大變革。這種變革意味著，無論是在知識管理的實踐或研究中，基于結合化和外顯化的知識創造，都應該加大人工智能技術的關注和應用。具有優勢人工智能技術的組織知識管理，將會獲得更明顯的裨益，從而在行業競爭之中脫穎而出。尤其重要的是，基于人工智能的外顯化模式，可以將個體隱性知識轉化為顯性知識，實現員工知識在組織中的沉淀和固化，這對于解決傳統知識管理的關鍵難題具有顯著的意義。

此外，本文針對人工智能在知識管理系統應用，提出了嵌入人工智能的知識管理系統框架。通過在基礎設施層、知識服務層和展示服務層中，分別嵌入人工智能模塊，實現從知識創造到分享到利用全鏈條的AI輔助知識管理。盡管嵌入AI的知識管理系統仍需實踐檢驗以及現實組織的匹配，但人工智能在知識管理應用的發展趨勢已經毋庸置疑。隨著人工智能技術的成熟，嵌入人工智能的知識管理系統也會愈發成熟，得到產業界的認同和應用。

參考文獻：

[1] Makridakis S.The Forthcoming Artificial Intelligence（AI）Revolution： Its Impact on Society and Firms[J].Futures，2017（90）： 46-60.

[2] O'Dell C，Grayson C J.If only we knew what we know：Identification and transfer of internal best practices[J].California management review，1998，40（3）：154-174.

[3] 唐曉波，李新星.基于人工智能的知識服務研究[J].圖書館學研究，2017（13）：26-31.

[4] 張興旺.從AlphaGo看人工智能給圖書館帶來的影響與應用[J].圖書與情報，2017（3）：43-50.

[5] 邱均平，韓雷.近十年來我國知識工程研究進展與趨勢[J].情報科學，2016，34（6）：3-9.

[6] Holzner B，Marx J H.Knowledge application：The knowledge system in society[M].Allyn & Bacon，1979：15-34.

[7] Nonaka I，Toyama R，Konno N.SECI，Ba and leadership：a unified model of dynamic knowledge creation[J].Long range planning，2000，33（1）：5-34.

[8] Nonaka I.A dynamic theory of organizational knowledge creation[J].Organization science，1994，5（1）：14-37.

[9] Nonaka I，Takeuchi H.The knowledge-creating company：How Japanese companies create the dynamics of innovation[M].Oxford university press，1995：40-45.

[10] Turk M.Multimodal interaction：A review[J].Pattern Recognition Letters，2014（36）：189-195.

[11] Amiri S，Fazel-Rezai R，Asadpour V.A review of hybrid brain-computer interface systems[J].Advances in Human-Computer Interaction，2013：1-8.

[12] Kumaran D，Hassabis D，McClelland J L.What learning systems do intelligent agents need？ Complementary learning systems theory updated[J].Trends in cognitive sciences，2016，20（7）：512-534.

[13] Alavi M，Leidner D E.Knowledge management and knowledge management systems：Conceptual foundations and research issues[J].MIS quarterly，2001，25（1）：107-136.endprint

[14] Zack M，McKeen J，Singh S.Knowledge management and organizational performance：an exploratory analysis[J].Journal of knowledge management，2009，13（6）：392-409.

[15] Olden J D，Jackson D A.Illuminating the“black box”：a randomization approach for understanding variable contributions in artificial neural networks[J].Ecological modelling，2002，154（1）：135-150.

[16] Pickering J M，King J L.Hardwiring Weak Ties：Interorganizational Computer-Mediated Communication，Occupational Communities，and Organizational Change[J].Organization Science，1995，6（4）：479-486.

[17] Storey J，Barnett E.Knowledge management initiatives：learning from failure[J].Journal of knowledge management，2000，4（2）：145-156.

[18] Ragab M A F，Arisha A.Knowledge management and measurement：a critical review[J].Journal of Knowledge Management，2013，17（6）：873-901.

[19] 汪建基，馬永強，陳仕濤，等.碎片化知識處理與網絡化人工智能[J].中國科學：信息科學，2017（2）：172-192.

[20] Frank A G，Ribeiro J L D，Echeveste M E.Factors influencing knowledge transfer between NPD teams：a taxonomic analysis based on a sociotechnical approach[J].R&D Management，2015，45（1）：1-22.

[21] 曾文，劉敏.信息服務中的知識組織系統及應用研究[J].圖書與情報，2017（3）：51-55.

[22] Davenport T H，Prusak L.Working knowledge：How organizations manage what they know[M].Harvard Business Press，1998：162-165.

[23] Massa S，Testa S.A knowledge management approach to organizational competitive advantage：evidence from the food sector[J].European Management Journal，2009，27（2）：129-141.

[24] Tiwana A.The knowledge management toolkit：practical techniques for building a knowledge management system[M].Prentice Hall PTR，2000：137-142.

[25] Abou-Zeid E S.A knowledge management reference model[J].Journal of knowledge management，2002，6（5）：486-499.

[26] Chua A.Knowledge management system architecture：a bridge between KM consultants and technologists[J].International journal of information management，2004，24（1）：87-98.

[27] 張建華.基于人工智能的集成化知識管理系統模型[J].情報雜志，2005，24（10）：49-51.

[28] 馬思言，何寧，李亮.人工智能知識管理系統在制造型企業中的應用[J].機械制造與自動化，2008，37（3）：10-13.

[29] 鐘英姿.基于數據挖掘的知識管理系統研究[J].科技管理研究，2006，26（11）：173-175.

[30] 李穎，姚藝.國內外知識管理系統研究：回顧與展望[J].圖書情報知識，2010（5）：103-110.

[31] Ramanathan V，Liang P，Fei-Fei L.Video Event Understanding using Natural Language Descriptions[C].International Conference on Computer Vision （ICCV），2013.

[32] 楊陽，張文生.基于深度學習的圖像自動標注算法[J].數據采集與處理，2015，30（1）：88-98.

[33] 沈敏，楊新涯，王楷.基于機器學習的高校圖書館用戶偏好檢索系統研究[J].圖書情報工作，2015，59（11）：143-148.

[34] 吳少俊.動態工作流辦公自動化系統關鍵技術的分析[J].數字技術與應用，2015（9）：120.

[35] Shen Y，He X，Gao J，et al.Learning semantic representations using convolutional neural networks for web search[C].Proceedings of the 23rd International Conference on World Wide Web.ACM，2014：373-374.

[36] Elkahky A M，Song Y，He X.A multi-view deep learning approach for cross domain user modeling in recommendation systems[C].Proceedings of the 24th International Conference on World Wide Web.International World Wide Web Conferences Steering Committee，2015：278-288.

[37] 任宗強，劉冉.人機交互模式下企業知識管理平臺研究[J].技術與創新管理，2017（5）：526-529.

[38] 李偉超，牛改芳.智能代理技術分析及應用[J].情報雜志，2003，22（6）：29-30.

作者簡介：歐陽智（1987-），男，貴州大學貴州省大數據產業發展應用研究院校聘副教授，博士，研究方向：知識管理、大數據治理；魏琴（1983-） ，女，貴州大學貴州省大數據產業發展應用研究院副教授，研究方向：機器學習、人工智能；肖旭（1994-），男，貴州大學現代制造技術教育部重點實驗室碩士研究生，研究方向：機器學習。endprint