| Summary: | Tämä kandidaatintutkielma käsittelee hakuavusteisen generoinnin (engl. retrieval augmented generation, RAG) merkitystä tietojohtamisessa, painottaen erityisesti tiedon strategista hyödyntämistä. Tutkielmassa tarkastellaan, kuinka RAG voi auttaa ylittämään perinteisten suurten kielimallien (engl. large language models, LLM) rajoituksia, kuten staattista tietopohjaa ja hallusinaatioita. Lisäksi arvioidaan RAG:n soveltuvuutta strategiseen päätöksentekoon, organisaation oppimiseen ja tiedon jakamiseen.
Tutkielman keskeiset havainnot osoittavat, että RAG parantaa tiedon ajantasaisuutta, tarkkuutta ja kontekstisidonnaisuutta, mikä tukee strategista päätöksentekoa ja tiedon jakamista. Organisaation oppimisen osalta RAG:n hyödyt jäävät kuitenkin pienemmiksi, koska se ei täysin pysty käsittelemään hiljaisen tiedon osioita. RAG:n käyttöönotto vaatii laadukkaita tietolähteitä, teknistä osaamista ja organisaatiokohtaista räätälöintiä.
Tutkielma toteaa, että RAG-pohjaiset kielimallit voivat tehostaa tietojohtamisen prosesseja, mutta niiden potentiaalin täysi hyödyntäminen edellyttää lisätutkimusta. Työ luo pohjaa tekoälyn ja tietojohtamisen yhdistämiselle sekä tunnistaa tutkimusmahdollisuuksia RAG:n käytännön sovellusten ja vaikutusten tarkempaan arviointiin organisaatioissa.
This bachelor's thesis investigates the role of retrieval augmented generation (RAG) in knowledge based managament, focusing specifically on how it can be used strategically to leverage knowledge. The research looks into how RAG addresses the shortcomings of traditional Large Language Models (LLMs), such as their reliance on static knowledge bases and their tendency to produce hallucinations (inaccurate or fabricated outputs). The study also assesses RAG's potential in areas like strategic decision-making, organizational learning, and knowledge sharing.
The main findings show that RAG enhances the timeliness, accuracy, and contextual relevance of knowledge. This makes it a valuable tool for supporting strategic decision-making and improving knowledge sharing within organizations. However, its effectiveness in organizational learning is limited because it struggles to capture the subtleties of tacit knowledge (knowledge that is hard to formalize or communicate). Implementing RAG successfully depends on having high-quality data sources, technical expertise, and customization tailored to the organization.
The thesis suggests that RAG-based language models can improve knowledge based management processes, but more research is needed to unlock their full potential. This work provides information for combining artificial intelligence with knowledge management and highlights new possibilities for studying RAG's practical applications and effects in organizations.
|
|---|