Belangrijkste punten
- Een knowledge-based system (KBS) combineert een knowledge base met een inference engine die nieuwe antwoorden kan afleiden in plaats van alleen opgeslagen antwoorden op te halen.
- Een KBS is nooit betrouwbaarder dan de knowledge base erachter: verouderde of onvolledige gegevens beperken wat het systeem kan beantwoorden.
- Binnen IT ondersteunt een KBS het oplossen van problemen bij de helpdesk, netwerkmonitoring, detectie in cybersecurity en de dagelijkse besluitvorming door te bundelen wat technici al weten.
Knowledge-based systems (KBS) gebruiken een knowledge base en een inference engine om vragen te beantwoorden en beslissingen te ondersteunen. Deze gids legt uit hoe de architectuur van een KBS werkt, welke plek het inneemt binnen IT-operaties zoals probleemoplossing bij de helpdesk en incidentrespons en waar u op moet letten voordat u er een invoert.
Wat is een knowledge-based system (KBS)?
Een knowledge-based system bestaat uit twee hoofdonderdelen: een knowledge base, waarin alle informatie over een specifiek onderwerp, project, taak of andere entiteit wordt opgeslagen, en AI-software waaraan vragen kunnen worden gesteld of die problemen kan oplossen op basis van wat er in de knowledge base staat (de zogeheten inference engine). Waar de knowledge base fungeert als een vaste opslagplaats van informatie, is de inference engine bedoeld om uit die informatie nieuwe kennis af te leiden in plaats van louter als zoekinstrument te werken. Meestal is er ook een gebruikersinterface om met het KBS te werken.
Knowledge-based systems zijn geen nieuw concept: er wordt al sinds de jaren tachtig onderzoek naar gedaan en ze worden sindsdien ontwikkeld. Door de opkomst van nieuwe en krachtige AI-tools krijgen ze echter meer aandacht, vooral in zakelijke toepassingen en bij het verbeteren van IT-operaties.
Expertsystemen zijn een subcategorie van knowledge-based systems die ondersteuning bieden bij besluitvorming binnen specifieke vakgebieden, met gegevens die door menselijke experts worden aangeleverd.
Zo werken knowledge-based systems
Gestructureerde of ongestructureerde gegevens moeten op een centrale plek worden opgeslagen (de knowledge base) die de inference engine kan uitlezen om aan informatie te komen. Dat kan een database zijn of een bestandsgebaseerde bron die speciaal voor de inference engine is gemaakt, maar ook bestaande bronnen zoals wiki’s, documentatie, ticketsystemen, een CMS en andere informatiebronnen.
De inference engine is software die de knowledge base doorzoekt en vragen kan beantwoorden, inzichten kan bieden en nieuwe conclusies kan trekken uit de aanwezige gegevens. Afhankelijk van de use case kan er ook een gebruikersinterface worden geleverd die rechtstreeks verbinding maakt met de knowledge base en de inference engine om gegevens te beheren en zoekopdrachten uit te voeren.
Let op: knowledge-based systems maken niet per se gebruik van de momenteel populaire large language models (LLM’s) achter AI-chatbots – veel KBS-technologieën zijn zelfs ouder. Toch is de belangstelling voor knowledge-based systems weer toegenomen door de populariteit van nieuwe LLM-technologie en de mogelijkheid om die als basis te gebruiken voor knowledge-based systems of ermee te integreren.
Knowledge-based systems kunnen bestaan uit rule-based systemen (die informatie verwerken via een vooraf bepaalde reeks regels, bijvoorbeeld if-then-statements), frame-based systemen (die gegevens verwerken in een sterk gestructureerd relationeel formaat) en model-based systemen (waarbij vooraf gedefinieerde modellen worden gebruikt bij de besluitvorming) of een hybride aanpak volgen.
Toepassingen van knowledge-based systems binnen IT
Knowledge-based systems kunnen experts in geen enkel vakgebied vervangen, maar ze helpen hen wel om informatie te vinden zonder langdurig zoeken en om sneller betere beslissingen te nemen.
Omdat ze uw IT-team helpen informatie te delen en te begrijpen, kunnen knowledge-based systems ondersteuning bieden bij:
- Automatisering en probleemoplossing bij de IT-helpdesk
- Netwerkmonitoring en incidentrespons
- Detectie van cybersecuritydreigingen
- Systeemdiagnostiek en prestatieoptimalisatie
- Beslissingsondersteuning binnen IT Management
Door alle informatie centraal en permanent beschikbaar te houden, voorkomt u organisatorische knelpunten binnen IT. Bovendien zorgt het ervoor dat op kritieke momenten de best mogelijke beslissingen worden genomen.
Zo zit de oplossing van een lastig probleem (waarvan de diagnose en reparatie uren kunnen hebben gekost) niet alleen in het hoofd van één technicus, maar is die ook beschikbaar voor collega’s die later tegen hetzelfde probleem aanlopen. Dat komt de schaalbaarheid en betrouwbaarheid ten goede, want oplossingen gaan niet verloren en problemen kunnen snel worden verholpen.
Beslissingsondersteunende systemen in IT: uitdagingen en beperkingen
De resultaten van elk knowledge-based system hangen af van de kwaliteit en de hoeveelheid informatie die het krijgt aangeleverd. De knowledge base moet actueel, accuraat en goed georganiseerd blijven, zodat de beheerders informatie eenvoudig kunnen vinden en bijwerken en de inference engine kunnen helpen bij het indexeren. Ook het systeem zelf moet worden onderhouden, zodat het aan de actuele eisen blijft voldoen.
Afhankelijk van de aard van de opgeslagen gegevens kunnen er daarnaast overwegingen rond privacy en beveiliging spelen die extra training en bewustzijn bij gebruikers vragen.
Een knowledge-based system invoeren op uw IT-afdeling
Wat is het verschil tussen een knowledge-based system en een expertsysteem? Een expertsysteem is een knowledge-based system dat is gebouwd voor een specifieke, gespecialiseerde taak, zoals medische diagnostiek.
Alle expertsystemen zijn knowledge-based, maar niet alle knowledge-based systems zijn expertsystemen. Hebben knowledge-based systems large language models (LLM’s) nodig? Nee, knowledge-based systems bestonden al vóór LLM’s en veel ervan draaien nog steeds op rule-based of frame-based architecturen.
Knowledge-based systems worden meestal op specificatie gebouwd om aan een bepaalde behoefte binnen een organisatie te voldoen, in plaats van kant-en-klaar te worden aangeschaft. Het is essentieel dat u de beschikbare softwarecomponenten onderzoekt en de componenten kiest die het beste bij uw use case passen.
Voorbeelden van de knowledge base-component in een knowledge-based system zijn relationele databases zoals MySQL, documentopslag zoals MongoDB, graph databases zoals Neo4j en zelfs domeinspecifieke tools, zoals de gegevens in ticketsystemen en IT-inventarissystemen. Software die als inference engine kan fungeren is onder meer Drools en CLIPS, die beide gratis en open bron zijn. Gebruikersinterfaces kunt u bouwen met low-code-appplatforms of frameworks voor webapplicaties.
Snelle informatie + eenvoudige remote access = tevreden technici (en tevreden gebruikers)
Door uw IT-team direct toegang tot informatie te geven, weet u zeker dat ze altijd snel een antwoord hebben, omdat ze minder tijd kwijt zijn aan het opzoeken van informatie over een stuk hardware, software of zelfs een eindgebruiker. Uw gebruikers zien hun problemen op hun beurt sneller opgelost en hoeven in hun supporttickets vaak minder achtergrondinformatie aan te leveren.
NinjaOne Documentation® geeft IT-teams een knowledge base binnen hetzelfde platform waarin ze endpoints beheren en tickets oplossen. Procedures en knowledge base-artikelen zijn rechtstreeks gekoppeld aan openstaande tickets, zodat een technicus de juiste runbook bij de hand heeft op het moment dat een ticket binnenkomt en de kennis van de organisatie in het systeem blijft in plaats van met een vertrekkende medewerker de deur uit te lopen.
Gerelateerde onderwerpen:
