华为大咖说丨知识治理的最大意义在于“智汇”

全文约5718字，阅读约需9分钟

在信息的海洋中，真正的宝藏不在于拥有多少数据，而在于如何将这些零散的信息转化为连贯的知识，再由知识提炼出智慧。知识治理不仅是管理信息的艺术，更是构建学习型组织、驱动创新与持续发展的基石。

 PART 01从水治理谈起

我们知道，改革开放以来，随着中国经济进入快速发展的轨道，工业活动迅速增加，特别是在东部沿海地区，城市化扩展飞快；但与此同时，环境保护意识和技术严重滞后。从而导致了严重的水体污染，大量未经处理的工业废水排入河流湖泊，大量的生活垃圾倾倒到河流中。直到2015年，国务院发布《水污染防治行动计划》。人们才开始认识到水污染的严重性，决心从根本上解决水污染的问题。

但摆在我们面前的问题是：如何进行水治理呢？

那就是通过一系列措施和技术来保护水资源，改善水质，确保水资源的可持续利用。这就涉及的水该如何管理，如何处理，哪些技术可以更高效地完成治理；除了对污染的水进行治理外，还需要营造一个共同保护生态的文化氛围，人人为治理水出一份力。

我们清楚水需要管理，制定合理的水资源分配计划，确保不同用户（如农业、工业和居民用水）之间的平衡，同时保护生态系统的需求。

水治理需要处理，建设和改进污水处理设施，以去除废水中的有害物质，包括化学污染物、病原体和其他杂质，使处理后的水可以安全地排放到环境中或被再利用。

水治理需要检测，定期对河流、湖泊、地下水等水源进行水质检测，以便及时发现并解决污染问题。

水治理需要宣传，提高公众对于水资源重要性的认识，鼓励节约用水和减少污染的行为。

水治理需要技术支撑，采用先进的科学技术，如膜分离技术、生物处理方法等，提升水处理效率和效果；利用遥感技术和地理信息系统（GIS）进行水资源调查和评估。   

那么知识治理是否也能够同水治理一样，需要规划管理，技术处理，质量检测，治理宣传等活动呢，答案是肯定的。

PART 02 知识应用面临的挑战

同水污染一样，目前知识也面临极大的挑战。有报告指出，人类的知识大约每三年翻一番。这种指数级增长反映了信息时代下新发现和技术突破的频率。

另外，知识还出现跨学科融合的趋势，单一学科的知识往往不足以解决问题。因此，跨学科的研究和合作日益增多，促进了不同领域知识的融合与创新。伴随知识的快速增长和融合，知识问题也越来越显现：

1.数据不准确或过时

在医疗健康领域，如果临床指南或者药物数据库中的信息不是最新的，可能会导致医生基于过时的信息做出错误的诊断或治疗决策。在金融行业，市场分析报告如果不及时更新，投资者可能依据过时的数据做出投资决定，从而遭受经济损失。

2.重复冗余的信息

企业内部的知识管理系统如果没有良好的去重机制，员工可能会遇到多个版本的相同文档，这不仅浪费时间查找正确的资料，还可能导致使用了错误版本的信息进行工作。

3.缺乏标准化

工程和技术领域，如果没有统一的标准来描述产品规格、流程步骤等，不同团队之间的协作效率会大大降低，甚至可能导致项目失败。在教育领域，课程内容若没有统一的质量标准，则难以保证教学效果的一致性和有效性。

4.隐性知识未被记录

老员工的经验和见解如果没有系统地记录下来，在他们离职后，这些宝贵的知识就会丢失，新员工需要重新摸索同样的经验教训。
信息孤岛：当部门间存在壁垒，各自维护独立的知识库时，跨部门合作变得困难重重。例如，研发部门与销售部门之间缺乏沟通渠道，导致新产品推广时无法充分利用研发阶段积累的专业知识。

5.虚假信息传播

在社交媒体时代，虚假新闻和误导性信息快速传播，给公众带来了极大的困扰，特别是在公共卫生危机期间，错误信息可能导致民众采取不当的行为反应。

6.隐私保护不足

如果个人敏感信息（如医疗记录、财务信息）在未经适当处理的情况下被共享或泄露，不仅违反法律法规，还会损害个人权益和社会信任。

7.语言障碍

国际化的企业面临的一个挑战是如何确保所有员工能够理解并有效利用公司的全球知识资源。语言差异可能导致误解，影响跨国团队的合作效率。

面对以上问题，知识该如何治理呢？

PART 03 知识治理体系建设

知识治理体系的成熟度或水平通常可以通过不同的阶段来描述，这些阶段反映了组织在知识管理实践上的进展和能力。以下是一个常见的分阶段模型，用于评估知识治理体系的发展水平：

在数据治理体系中，治理包含两层意义：

1. 让治理后的知识质量更高；
2. 让治理后的知识满足不同的应用场景。

也就是可以概括为6个字：“治内容，定格式”。

PART 04 知识与数据

为了搞清楚知识该如何治理，我们回顾下数据治理的过程。下图是数据从入湖、加工到服务的过程，以及为保证数据质量、数据安全而配套的数据管理，数据运营等系统；从而形成了完整闭环。

我们数据治理的终极目标是解决数据如何产生价值的问题；而数据要产生价值，就需要通过治理挖掘数据的价值。有的需要通过解决数据孤岛问题，让数据与数据产生化学反应，有的需要从原有数据中不断萃取形成有用的资产。这就离不开数据的汇聚和加工。

数据服务主要是为了解决萃取后的数据如何能以最快的途径在看板上展示的目标；当然也可以通过自助分析平台快速生成看板。

数据管理的主要目标是让数据资产更显性地展示资产的关系和价值；并对资产的质量和安全进行监控展示；让资产责有其人。

数据运营的主要目标是用统计学从不同维度，全链路分析资产的生命周期情况以及资产的建设状况；督促数据owner及其他责任人进行治理。

数据如何显性展示和价值变现？

1.构建各级领域/对象，让资产责有其人

首先，通过构建主题目录，在目录下划分不同的业务领域，每个业务领域都有相应的责任人，从而保证各领域都有专人负责该领域下资产的质量和安全性；在领域下划分不同的业务对象单元，而每个业务单元有专门的管家来负责资产的质量，有专门的安全专员负责资产的安全；通过这样的组织支撑，为数据资产的质量和安全提供了保证。

另外，通过划分不同业务领域，也有助于数据的运营管控，通过运营看板，可以基于业务领域维度划分责任区，构建基于业务领域的治理看板，推动各业务领域不断提升质量分数。比如，通过看板分析是哪个业务领域的资产注册率低，从而让业务领域owner快速提升相关指标。

2.资产如何快速变现？

通常来看，资产复用度越高，说明资产的变现能力越强。那么各业务领域如何能快速引用呢?

要能快速地找到相关资产，快速地应用该资产，就需要提供数据资产的市场，数据市场需要通过业务语言来表示，而不是技术语言。另外，通过数据服务解决数据应用的最后一公里，让看板直接访问数据表对应的API，而不是还需要用户创建自己的数据库存储起来再调用。同时，也可以使用自助分析看板快速将一个表快速生成一个看板。

综述，我们通过将数据汇聚，让数据按照统一规则进行治理，同时制定了快捷的应用方式，从而探索出了成功的数据管理的治理经验，那么知识该如何治理呢？

为此，我们先看看知识与数据的关系：
1. 数据定义：数据是指可以被测量、收集并用于分析的基本单位。它可以是数字、文字、图像、音频或其他形式的存在，通常没有直接的意义，除非经过解释。

特点：客观，原始且海量。

知识定义：知识是从数据和信息中提取出的理解和洞察，它包含了对特定主题的理解、经验总结以及解决问题的能力。

特点：主观且能解决一定的实际问题。

数据转化为知识的过程

1)数据(Data) → 信息(Information): 当我们对数据进行整理、分类、过滤等操作后，就形成了信息。信息是对数据进行了初步处理后的结果，赋予了数据上下文和意义。
2)信息(Information) → 知识(Knowledge): 进一步地，当我们通过分析、综合、推理等方式处理信息时，就能从中获得知识。这意味着不仅要了解“是什么”，还要理解“为什么”、“怎么做”。
3)知识(Knowledge) → 智慧(Wisdom): 最终，当我们将知识应用于实践中，并结合价值观、伦理等因素做出合理的选择和决定时，就达到了智慧的层面。

综上所述，知识来源于数据，又高于数据，是对客观事物的洞察和总结，能直接实现价值变现。

那么问题来了，是不是可以直接拿数据治理的方法论直接套用到知识治理呢？

答案显然是不行的，原因是多方面的：

1）数据治理更多地是对结构化数据的治理，非结构化治理的经验积累还比较弱；

2）治理好的数据通常应用于看板展示，主要是for人，不能直接应用于AI智能体； 

3）随着大模型AI的应用，原先数据治理的安全管理已经不能覆盖AI安全，如，品牌安全；

4）数据治理的加工方法略显过时，数据治理的方法更多采用固定的规则匹配，固定的关联等方式，无法满足AI时代语义关联，图文生成语义的诉求。

知识急剧膨胀，客观上要求需要一套完整的治理体系才能对知识进行合理利用，以便知识for人和forAI。

PART 05 知识治理策略

前面谈到了水的治理，数据的治理。但无论是水治理还是数据治理，都任重而道远，需要不断地坚持下去。换句话说，不论什么治理都是一个持续的过程。那么知识治理应该从哪里入手，持续的方向是什么呢？
下面是知识治理的基本策略：

1.知识工程决定员工的智商，知识从业务中来，回到业务中去

2.通过三阶九步，建设知识资产，助力业务高质量发展和智能化升级

step1-3：通过知识萃取，将隐性知识显现化
无论是作业记录，还是作战经验，知识隐藏其中，无法为AI消费。只有将知识显性化，才能应用于AI，才能产生价值。知识工程师通过技术手段将隐性知识转化为显性知识，并建立合适的模型来表示这些知识，以便更好地理解和利用知识资源。

step4-5：体系化知识管理，确定知识分层机制（5维+3层），构筑高质量的知识资产

以研发领域为例，重点建设“能力”和“产品”维度，拉通公共知识分层管理、规划、运营，探索领域作业场景知识/数据在AI作业中发挥价值。

将领域知识按层级进行管理，将组织级知识资产打造成权威、高质量知识。

在业务能力上，任命领域CKO，以及责任田主，梳理各部门的CKO，确保责任归位。

最后，需要拉通流程领域业务能力、技术专委会、知识管理三套管理体系，以业务能力作为锚点形成统一知识分类，确保高质量知识的需求能够在管理体系闭环。

step6：构建知识图谱
知识图谱可以不仅揭示隐含关系，比如：知识图谱通过将实体（如人、地点、事件等）及其之间的关系进行结构化表示，能够揭示出原本分散的信息之间的隐含联系。还可以利用图谱连接关系，提供个人内容推荐，如AI问题相似推荐等；打破信息孤岛，促进跨域领域协作等。

step7：AI治理与治理评估
1.质量评估IT化制定质量6性评估标准，从唯一，有效，完整，时效，准确和安全上进行评估。比如，知识内容是否过期，包括引用的人员，链接等；知识内容是否完整，是否有新知识版本等，最重要的是知识的安全性，是否涉及到品牌安全，信息安全及竞争力安全等。

2.公共质量评估与各领域特殊质量评估分开需要区分哪些是公共质量评估，这些质量规则会应用所有的领域；哪些是领域自有的质量规则，比如，对内知识可以忽略员工信息，但对外则需要脱敏后才能提供。

step8：知识评测
为了验证知识向量化后，是否满足预期，需要对向量化后的知识进行评测。以此来评估召回结果的准确性，评估知识切片效果和模型能力。知识评测OK后，RAG调用时才不会出现大的偏差。

step9：逆向反馈与运营
1.知识标注反馈通过知识运营，将badcase知识进行标注，标注信息如：知识内容缺失，大量无关信息，内容不优质等；这些点踩的标准信息会把当前召回的片段，文档列表都反馈给知识管理员，快速完成知识闭环。

2.质量看板运营质量看板会将标注信息进行记录和整理，提供直观的知识质量分析情况，由运营人员通过晾晒等手段，推动领域责任人快速完成治理。

3.知识要想治得好，就需要“定机制，搞智能流水线”

构建知识治理机制，为AI大模型持续供应高质量知识，支撑研发知识共享：1. 成立语料建设组，源源不断地提供新鲜的知识血液；2. 重视质量，持续治理；3. 知识治理与用户反馈形成闭环，形成知识改进飞轮效应。

这些机制最终要在知识治理智能流水线IT平台落地。

在IT平台中，提供治理平台能力，对知识进行解析，存储，分类，门禁及入库等。同时对知识进行高效管理，提供知识的生产目录，消费目录，并对知识可以进行灵活打标，方便知识查询。最后，通过知识运营，为知识治理提供源源不断的动力。最终，为AI提供高质量的知识。

知识治理的最大意义在于"智汇”，即通过机制和IT能力，将知识汇聚到一起，产生化学反应，为大模型提供源源不断的高质量融合知识。

PART 06 结语

无论是水治理、数据治理还是知识治理都是需要有体系化的管理，要有有效的技术手段。而把这些成熟的管理方法及技术手段沉淀到平台就会产生极大的价值。   

放眼未来，随着技术进步和社会变革步伐的加快，知识治理将扮演越来越重要的角色。它不仅仅是一项管理工具，更是一种思维方式和发展理念，指引着我们如何有效地获取、利用和传承宝贵的知识财富。唯有不断优化和完善知识治理机制，才能在全球竞争中立于不败之地，共同开创更加美好的明天。

因此，深刻认识并积极践行知识治理的重要性，对于任何渴望长远发展的组织来说都是不可或缺的一环。让我们携手共进，在知识治理这条道路上不断探索前行，释放无限潜能，迎接每一个新的机遇与挑战。