Logo The Cloud Company

Komen tot de kern van kennis

Ongeveer negentig procent van de kennis binnen organisaties of bedrijven zit opgeslagen in de hoofden van medewerkers.

Het platform Qollap richt zich specifiek op het ontsluiten van de kennis die medewerkers herbergen. Daardoor ontstaat collectieve kennis die niet alleen toegankelijk wordt gemaakt maar ook kan worden ingezet voor de hele organisatie. Dit doet The Cloud Company via een uniek zelflerend Kennissysteem, en brengt zo de kennis, ervaring en expertise van groepsleden in beeld. In dit blog geeft The Cloud Company een inkijkje in hoe dit kennissysteem werkt en is opgebouwd.

Meer dan verzamelen

De documenten en andere digitale sporen die we achterlaten tijdens het samenwerken zijn concrete uitingen van de aanwezige kennis binnen de organisatie. Van formele rapporten en notulen tot informele berichten, al deze bronnen kunnen later waardevol blijken. In de vorm van direct bruikbare informatie, of als aanwijzing van wie de nodige kennis in huis heeft. Verzamelen is echter niet genoeg. Het gaat om het snel terugvinden van de juiste informatie. Een eigen zoekmachine voor interne informatie is een goed begin, maar de meeste vragen laten zich niet door het invoeren van een paar steekwoorden beantwoorden.


komen tot de kern van kennis

Stel dat je naast een zoekmachine ook een archivaris tot je beschikking zou hebben. Iemand die weet wat er in de kast staat en een verfijnd classificatiesysteem gebruikt om relevante bronnen op te sporen. Iemand die weet waar een zoekvraag over gaat en daardoor in staat is om de juiste informatie te vinden. Om dezelfde resultaten met een zoekmachine op het spoor te komen, zijn er meestal meerdere pogingen nodig om goede zoektermen te vinden.


Een traditionele zoekmachine heeft immers geen verstand van de bronnen die ze ontsluit; ze weet slechts welke woorden erin gebruikt zijn. Daarom doet het kennissysteem van Qollap iets wat de archivaris ook doet: het herkent welke onderwerpen in een bron aan bod komen. Een voordeel t.o.v. de archivaris is dat een computersysteem een nieuwe tekst meteen kan lezen. Seconden later kunnen we de nieuwe informatie in een overzicht verwerken of als relevant voor een vraag aanbieden.

Wikipedia voor miljoenen onderwerpen en verbanden

De techniek hierachter is nog volop in ontwikkeling en gaat een stuk verder dan bestaande mogelijkheden zoals automatische tekstclassificatie. Bij classificatie worden teksten automatisch ingedeeld in een categorie, bijvoorbeeld “sport” of “politiek”. De resultaten hiervan worden echter steeds minder betrouwbaar naarmate er meer doelcategorieën zijn, en wat moeten we nu als we niet van te voren weten welke categorieën belangrijk zijn? Om fijnmaziger onderwerpen te kunnen herkennen, heeft een systeem kennis nodig over welke dingen er bestaan, zodat het genoemd worden van deze dingen in een tekst opgespoord kan worden. Encyclopedische kennis is hiervoor uitermate geschikt. Met name Wikipedia geeft een goed overzicht van miljoenen dingen en de verbanden ertussen.


In het kennissysteem dat in Qollap gebruikt wordt, is de eerste stap na het herkennen van onderwerpen in een tekst het verrijken van de zoekindex met gewogen tags. Dit betekent dat tags zijn ingedeeld naar relevantie. Hierdoor worden bronnen naast zoektermen ook vindbaar op onderwerpen en zijn verschillen in taalgebruik geen probleem meer. De relaties tussen al deze onderwerpen helpen bovendien om verkennend te zoeken, bijvoorbeeld wanneer de informatiebehoefte nog niet erg duidelijk is. Vervolgens vormen de herkende onderwerpen de basis voor het genereren van overzichten, zoals kennisprofielen.

Kennis in beeld

Door de interacties die gebruikers met geschreven bronnen hebben, wordt (een selectie van) onderwerpen in de bron toegewezen aan hun kennisprofiel. Hierdoor worden bij een zoekopdracht mensen met relevante kennis aangegeven, en is het bijvoorbeeld mogelijk om bij het stellen van een vraag meteen te zien wie er waarschijnlijk een antwoord op heeft. Het is natuurlijk ook mogelijk om op een hoger niveau een overzicht van kennis te willen zien. Een overzicht van een team, afdeling, of zelfs de hele organisatie. Door kennisprofielen slim te aggregeren, ontstaan overzichten die waardevol zijn bij strategische vraagstukken.

Samenwerken versus Wikipedia artikelen

De grootste uitdaging waar men mee te maken krijgt bij het herkennen van onderwerpen is dat de meeste teksten erg verschillen van de artikelen in Wikipedia. Het taalgebruik tijdens samenwerkingsactiviteiten is beslist niet encyclopedisch te noemen en soms is er organisatiespecifiek jargon waar op Wikipedia niets over geschreven is. Dit kan leiden tot onnauwkeurigheid in het herkennen van onderwerpen. Ook de veelomvattendheid van Wikipedia is niet altijd een gewenste eigenschap. Het is zinvol om onderwerpen die relevant zijn voor een organisatie of team in detail te herkennen, maar door het gebruik van encyclopedische kennis worden ook minder relevante onderwerpen herkend.


Als alle genoemde dingen van een bepaalde soort geen relevant onderwerp zijn, is dit probleem gemakkelijk opgelost. Genoemde locaties of bijvoorbeeld personen kunnen dan simpelweg genegeerd worden. Meestal is de realiteit echter complexer, of is het in ieder geval niet van tevoren duidelijk wat er wel en niet relevant zal zijn.

Zelflerend

Om de uitdagingen omtrent taalgebruik en relevantie aan te pakken, werken wij aan oplossingen gebaseerd opzelflerendheid. Door impliciet en expliciet gebruikersfeedback te verzamelen over de juistheid en relevantie van herkende onderwerpen, leert het kennissysteem welke onderwerpen herkend moeten worden in een bepaalde context. Net als een goede archivaris wil het kennissysteem graag de organisatie en werknemers leren kennen. Zo komt het systeem tot de kern van de kennis; het uitlichten van de hoofdzaken.


Meer weten? Lees dan ons blog over digitaal samenwerken en het belang van zelflerende kennissystemen.