如何使用Amazon Kendra在BrainPad中促进内部知识共享

这是BrainPad公司首席数据科学家Dr. Naoki Okada的客座文章。

BrainPad公司成立于2004年，是数据利用领域的先锋合作伙伴，通过使用数据帮助企业创建业务和改善管理。迄今为止，BrainPad已经帮助了超过1,300家企业，主要是行业领袖。BrainPad拥有提供从制定数据利用策略到概念验证和实施的一站式服务的优势。BrainPad独特的风格是与客户一起解决实际问题，例如由于孤立的组织结构而无法收集数据或存在但未组织的数据。

本文讨论如何使用Amazon Kendra和AWS Lambda构建内部知识共享结构，以及Amazon Kendra如何解决许多公司在知识共享方面面临的障碍。我们总结了BrainPad在四个关键领域的努力：

• 许多公司面临的知识共享问题是什么？
• 我们为什么选择Amazon Kendra？
• 我们如何实施知识共享系统？
• 即使工具很有用，如果没有使用，它是毫无意义的。我们如何克服采用障碍？

许多公司面临的知识共享问题

许多公司通过将工作分为不同领域来实现其结果。每个领域每天都会产生新的想法。这些知识是以个人为基础累积的。如果这些知识可以在人员和组织之间共享，那么相关工作的协同作用可以被创造出来，工作的效率和质量将大大提高。这就是知识共享的力量。

然而，知识共享存在许多常见的障碍：

• 很少有人积极参与，由于繁忙的日程安排，这个过程无法持续很长时间。
• 知识分散在多种媒体上，例如内部维基和PDF文件，使得很难找到所需信息。
• 没有人将知识输入到知识整合系统中。由于其搜索能力不佳，系统将不会被广泛使用。

我们公司面临着类似的情况。知识共享的根本问题是，尽管大多数员工都非常需要获取知识，但他们很少有动力去以成本的方式分享自己的知识。为了知识共享而改变员工行为并不容易。

此外，每个员工或部门都有其自己的知识积累偏好方法，试图强制统一并不会导致知识共享的动机或绩效。对于管理层来说，他们想要整合知识，而对于现场工作人员来说，他们希望以分散的方式拥有知识。

在我们公司，Amazon Kendra是解决这些问题的云服务。

我们为什么选择Amazon Kendra

Amazon Kendra是一种云服务，允许我们从一个共同的接口搜索内部信息。换句话说，它是一种专门用于内部信息的搜索引擎。在本节中，我们讨论了选择Amazon Kendra的三个关键原因。

易于知识聚合

如前面所述，即使存在知识，它也往往分散在多个媒体上。在我们的情况下，它分散在我们的内部维基和各种文档文件中。Amazon Kendra为这种情况提供了强大的连接器。我们可以轻松地从各种媒体中导入文档，包括groupware，维基，Microsoft PowerPoint文件，PDF等，而无需任何麻烦。

这意味着员工不必改变存储知识的方式就可以分享知识。虽然可以暂时实现知识聚合，但维护起来成本很高。自动化这一点是我们非常期望的因素。

出色的搜索能力

有很多groupware和维基在信息输入方面表现出色。然而，它们在信息输出（搜索能力）方面通常存在弱点。对于日语搜索来说尤其如此。例如，在英语中，单词级匹配提供了合理的搜索能力。然而，在日语中，单词提取更加困难，有些情况下会通过适当数量的字符将单词分隔开来进行匹配。如果搜索“Tokyo-to（东京都）”被分隔成两个字符，“Tokyo（东京）”和“Kyoto（京都）”，那么很难找到您正在寻找的知识。

Amazon Kendra 通过机器学习提供强大的搜索功能。除了传统的关键字搜索，比如“技术趋势”，自然语言搜索，比如“我想要有关新技术计划的信息”，可以极大地增强用户体验。恰当地搜索收集到的信息的能力是我们选择 Amazon Kendra 的第二个原因。

低拥有成本

专门用于知识聚合和检索的 IT 工具称为企业搜索系统。实施这些系统的一个问题是成本。对于一个有几百名员工的组织来说，运营成本可能超过1000万日元每年。这不是开始知识共享计划的廉价方式。

Amazon Kendra 的拥有成本比大多数企业搜索系统要低得多。正如之前提到的，知识共享计划并不容易实现。我们想要从小处开始，而 Amazon Kendra 的低拥有成本是我们决策的关键因素之一。

此外，Amazon Kendra 的易于实现和灵活性对我们也是极大的优势。下一节总结了我们实现的一个示例。

我们如何实现知识共享系统

实现并不是一个夸张的开发过程，只需要按照 Amazon Kendra 处理流程，无需编码即可完成。以下是实现过程中的五个关键点：

• 数据源（积累知识） – 我们公司的每个部门和员工经常举行内部研讨会，通过这些活动，知识被积累在多种媒体中，如维基和各种类型的存储。那时，稍后查看研讨会的信息非常容易。但是，为了提取关于特定领域或技术的知识，需要详细查看每个小猪AI，这不是非常方便。
• 连接器（聚合知识） – 借助 Amazon Kendra 中的连接器功能，我们能够将散布在公司各处的知识链接到 Amazon Kendra 中，并实现横向搜索功能。此外，连接器通过受限帐户加载，可实现具有安全意识的实施。
• 搜索引擎（查找信息） – 由于 Amazon Kendra 具有用于可用性测试的搜索页面，因此我们可以在加载文档后立即测试搜索引擎的可用性，以查看可以找到什么样的知识。这在巩固启动形象方面非常有帮助。
• 搜索 UI（用户搜索页面） – Amazon Kendra 具有称为 Experience Builder 的功能，可将搜索屏幕公开给用户。此功能可无需编码实现，这在测试部署期间获取反馈方面非常有帮助。除了 Experience Builder，Amazon Kendra 还支持 Python 和 React.js API 实现，因此我们最终可以为员工提供定制的搜索页面，以改善他们的体验。
• 分析（监控使用趋势） – 企业搜索系统只有在很多人使用它时才有价值。Amazon Kendra 具有监视执行的搜索数量和搜索项的能力。我们使用此功能跟踪使用趋势。

我们还有一些与我们的实施相关的问题和答案：

• 在收集内部知识方面遇到了哪些挑战？ 我们必须从每个部门和员工收集他们拥有的知识，但不一定可以直接连接到 Amazon Kendra。
• 我们如何从 Amazon Kendra 中受益？ 我们曾多次尝试共享知识，但往往失败了。原因是信息聚合、搜索能力、运营成本和实施成本。Amazon Kendra 具有解决这些问题的功能，我们在构思大约3个月后成功推出了它。现在，我们可以使用 Amazon Kendra 找到以前需要个人或部门知识的任务的解决方案，作为整个组织的集体知识。
• 我们如何评估系统的搜索能力，以及我们如何改进它? 首先，我们让许多员工与系统互动并提供反馈。实施初期出现的一个问题是，存在一些价值不大的信息散布在各处。这是因为一些数据源包含来自内部博客文章等信息。我们正在不断努力通过选择正确的数据源来改善用户体验。

正如之前提到的，使用Amazon Kendra，我们能够以最小的成本克服许多实施难题。然而，这种工具最大的挑战是实施后出现的采纳障碍。下一部分提供了我们如何克服这一障碍的示例。

我们如何克服采纳障碍

你是否曾经见过一个你花费了大量的精力、时间和金钱来实施的工具，却没有广泛使用而变得过时的情况？无论功能如何出色地解决问题，如果人们不使用它，它都不会有效。

我们在推出Amazon Kendra时采取的措施之一是提供一个聊天机器人。换句话说，当你在聊天工具中提出问题时，你会得到一个适当知识的回答。因为我们所有的远程员工每天都使用聊天工具，使用聊天机器人比让他们在浏览器中打开新的搜索屏幕要兼容得多。

为了实现这个聊天机器人，我们使用了Lambda，这是一个允许我们运行无服务器、事件驱动程序的服务。具体来说，实现了以下工作流程：

1. 用户在聊天机器人中发布提问。
2. 聊天机器人向Lambda发出事件。
3. Lambda函数检测事件并搜索Amazon Kendra中的问题。
4. Lambda函数将搜索结果发布到聊天工具。
5. 用户查看搜索结果。

这个过程只需要几秒钟，为知识发现提供了高质量的用户体验。大多数员工通过聊天机器人接触到了知识共享机制，毫无疑问，聊天机器人促进了机制的扩散。由于聊天机器人无法涵盖所有领域，我们还要求他们与聊天机器人一起使用定制的搜索屏幕，以提供更好的用户体验。

结论

在本文中，我们提出了一个关于使用Amazon Kendra进行知识共享的案例研究，并提供了使用Lambda实现聊天机器人的示例来传播机制。随着大规模语言模型的不断发展，我们期待看到Amazon Kendra再次跨越一步。

如果您有兴趣尝试Amazon Kendra，请查看《Enhancing enterprise search with Amazon Kendra》。BrainPad还可以通过生成AI帮助您进行内部知识共享和文档开发。请联系我们获取更多信息。