「知識管理」(Knowledge Management,簡稱KM)在臺灣推動將近有十多年的時間，根據經濟部工業局 102 年度「產業聚落知識管理推動計畫」針對臺灣企業導入知識管理的普及率調查，在有效樣本1,257 筆資料中，約有53.4%的大企業、43.7%中型企業、11.8%小型企業導入 KM，而企業選擇導入知識管理的目的，前三個原因依序為：內部資訊或知識分享、內部工作經驗傳承與內部技術傳承，也就是著重於找出公司隱性的經驗、知識，並透過KM平台、社群加以保存與分享，較少對於知識管理中的知識再運用、創造價值方面進行著墨。
今年4月份筆者榮幸接受公司派訓前往美國休士頓參與由美國知識管理權威機構—
美國知識管理生產力及品質中心(American Productivity and Quality Center, 簡稱APQC)所主辦的第22屆美國知識管理年會(2017 APQC's KM conference)，今年度年會以「科技浪潮下，知識管理創新策略、實務及新工具」為主題，分成「協同合作 & 知識移轉」、「KM參與 & 在地適應」、「KM策略 & 推動方案」、「創新工具 & 技術」四個主軸邀請業界代表進行實務運作分享，經由兩天來自20多個國家、300多位跨國企業中高階主管共聚一堂共同討論知識管理的實務推動及未來發展，可以觀察到這些跨國企業的經理人對於網路科技的發展、社群軟體及物聯網等新科技應用，讓知識傳遞管道變得多元、碎片，企業如何有系統性的管理、更新、應用、整合知識，讓知識發揮出更高價值，都是大家迫切想了解的重要課題。
針對這些經理人的疑問，今年度三場由APQC主席Carla O’Dell博士、IBM華生諮詢部門Storytelling總監Louis Richardson 和喬治城大學助理教授同時也是資料科學家Cal Newport的大會專題演講內容中有提出一個情境描繪:KM在以前是屬於導航時代，也就是使用者是被動的接受知識被分類的結果，按圖索驥去找出自己想要的知識；現在，隨著科技的進步，走到檢索的時代，使用者可以鍵入想要查詢的關鍵字，查詢自己想要看到的知識；未來，將基於人物誌 (Persona) 和歷史的使用行為紀錄，系統將預測出每一位使用者想要了解的知識，並且主動進行推薦，也就是在不同時間點、針對不同對象主動推薦相關的知識供參考。進一步，美國APQC彙整出七個未來KM可能出現的應用或工具：
1.數位麵包屑(Digital Bread Crumbs)：隨著手持載具及網路科技的發展，使用者在各項數位工具時所留下的痕跡就被稱作數位麵包屑，而在企業中，常被拿來討論及監測的就是內外部使用者瀏覽網站的日誌(log)。
2.機器學習(Machine Learning)：機器學習是人工智慧的一個分支，即為從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法。
3.預測分析(Predictive analytics)：預測分析是運用預測模型、機器學習及資料探勘等統計工具分析現有或歷史資料以預測未來。
4.推薦系統(Recommendation System)：推薦系統是一種信息過濾系統，用於預測用戶對物品的「評分」或「偏好」。
5.人工智慧(AI)：訓練機器模擬人類推理、知識、規劃、學習、交流、感知、移動和操作物體的能力。
6.聊天機器人(Chatbot)：透過AI人工智慧的方式，電腦程式模擬與使用者互動的對話，除了可應用於社交外，更多商業及個人化的應用出現。
7.數位助理：如手機的語音辨識軟體、線上翻譯等工具軟體。
針對這些發展趨勢及應用領域，企業該如何應用於實務知中? APQC對企業未來推動KM提出兩個企業策略建議：一為善用數位新科技，讓他們變成知識管理的好幫手、二為深度利用企業內部如個人簡歷、檔案、社交資訊、影音、部落格、歷史專案資訊、外部研究報告…等碎片化知識，讓這些碎片化知識進一步轉化成可被個人化、具有高價值內容、建立預測的知識將是三大達成目標；並且也進一步提出企業若要深度利用企業內部碎片化知識，所需三大類的人才角色及技能建議(如下圖)：
1.資料科學家—此種人才主要工作為進行數據建模、機器學習、演算法、商業智慧…等工作，此種人才目前在全球較少，也是最為搶手的人才，其所需要具備的專業可能就橫跨商業洞察、數學學、統計學，甚至是資訊架構方面的專業，而所需的技能就包含商業智慧、調查分析、資料探勘手法、MatLAB、Python等分析架構及分析工具的應用。
2.資料工程師—此種人才主要工作為進行大量資料的分析及處理，包含高級資料結構、分散式運算、併發程式設計、使用Hadoop、Spark、Kafka、Hive等巨量資料使用的新工具，所需的技能包含資料庫、Python、Linux…等，近年來大量被培育中。
3.軟體工程師—此種人才主要工作為前/後端開發、網頁應用、移動應用、作業系統開發、軟體設計，所需要的技能包含C、C+、Java…等，目前多數企業都有具備此類的人才。
由此次的年會所發表的趨勢概觀，KM未來的應用或工具背後都是以深厚資料及知識為基礎而發展出來，但是科技發展的基礎還是建立在深刻的社會分析能力上，透過科技的應用，可以再強化現有知識管理較難以落實的階段，舉例而言，過去企業內部許多內隱知識是存在老師傅的頭腦中，不過這些經驗知識也可能會存在在公司歷史的相關知識物件中，只是是碎片化的存在，因此就可以透過人工智慧相關演算機制進行大量的知識挖掘，提升內隱知識挖掘的價值及效率。此外，以往在進行公司的專長盤點及調查往往耗費大量人力及時間在釐清專家的層級標準，利用每個人過往曾經執行過的案子、曾經發表過的知識物件、以及知識庫的搜尋紀錄…等客觀資訊，進一步去判斷出專家的層級。最後，回歸知識管理的四階段：資料、資訊、知識、智慧，過往的知識管理重點在於建構核心知識，將核心知識進行外顯化，而現在的知識管理將堆疊在過往的基礎上進行核心知識的重點挖掘，並且伴隨著物聯網、智慧工廠的規劃，將過往累積的知識及智慧進行深度的分析運用，再利用感測器、機器學習、巨量資料到人工智慧等新科技工具系統性地將資料蒐集、分析、轉換成有價值的資訊及知識，最後走到智慧的決策，讓知識管理對企業產生更高價值。
參考資料：
1. 經濟部工業局 102 年度「產業聚落知識管理推動計畫」。
2. https://zh.wikipedia.org/wiki/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0
3. https://en.wikipedia.org/wiki/Predictive_analytics
4. https://en.wikipedia.org/wiki/Artificial_intelligence
5. 101.datascience.community/tag/jake-stein/