Юринець В.Є., Юринець Р.В. Автоматизовані інформаційні системи. Електронний посібник

Подождите немного. Документ загружается.

643

розвитку, структурованих і напівструктурованих баз даних і баз знань.

Основна мета КМ – зробити знання доступними і повторно використо-

вуваними на рівні всієї корпорації.

Ресурси знань розрізняють залежно від галузей індустрії і програм,

але, здебільшого, до них належать керівництво, листи, новини, інформа-

ція про замовника, відомості про конкурентів і дані, що нагромадилися

процесі роботи. Для застосування систем КМ використовуються

різноманітні технології: електронна пошта; бази і сховища даних; системи

групової підтримки; браузери і системи пошуку; корпоративні мережі та

Інтернет; експертні системи і системи баз знань; інтелектуальні системи.

У системах штучного інтелекту бази знань генерують для експер-

тів і систем, заснованих на знаннях, у яких

комп’ютери використовують

правила виведення для отримання відповідей на питання користувача.

Хоча придбання знань для отримання комп’ютерних висновків усе ще

залишається важливим питанням, більшість сучасних розробок КМ

забезпечує знання у зручній для сприйняття формі, або поставляють

ПЗ для опрацювання цих знань.

Сховища даних. У багатьох компаніях одним із перших інстру-

ментаріїв

КМ були сховища даних, які працюють за принципом

центрального складу. Сховища даних відрізняються від традиційних

БД тим, що вони проектуються для підтримки процесів прийняття

рішень, а не просто для ефективного збору та опрацювання даних.

Здебільшого, сховище містить багаторічні версії звичайної БД, фізич-

но розміщувані в тій же самій базі. Дані у сховищі

не оновлюються на

підставі окремих запитів користувачів. Натомість уся база даних

періодично оновлюється цілком.

Сховища даних можуть бути дуже значних розмірів. Наприклад,

банк Chase Manhatten Bank має сховище обсягом більше 560 Гбайт,

компанія MasterCard OnLine – 1,2 Тбайт. Коли всі дані містяться в

єдиному сховищі, вивчення зв’язків між окремими елементами даних

може бути більш плідним, а результатом аналізу стають нові

знання.

Альтернативний підхід, т. зв. “розвідка знань”, застосовується для

пошуку в даних додаткових, прихованих у них знань.

Сховища знань. Якщо сховища даних містять, в основному,

кількісні дані, то сховища знань орієнтовані більшою мірою на якісні

644

дані. КМ-системи генерують знання з широкого діапазону баз даних,

сховищ даних, робочих процесів, статей новин, зовнішніх баз, Web-

сторінок (як зовнішніх, так і внутрішніх), і звичайно, люди, надають

свою інформацію.

Отже, сховища знань схожі на віртуальні склади, в яких знання

розподілені за великою кількістю серверів. У зв’язку з бурхливим

розвитком Інтернет,

КМ-системи в корпоративних рішеннях усе

частіше використовують Web -технології.

У деяких випадках у ролі інтерфейсу до реляційної бази даних

може виступати Web-браузер. Наприклад, компанія Ford Research and

Development використовує СУБД Oracle, доступну для перегляду за

допомогою Web-браузерів. База даних містить керівництво і правила

проектування, специфікації і вимоги. Іншою поширеною корпоративною

програмою є база знань кадрових ресурсів, що містить

дані про квалі-

фікацію і професійні навики співпрацівників. Ця інформація може бути

про освіту, перелік спеціальностей, відомості про досвід роботи тощо.

Бази даних і бази знань. Знання можна видобувати з робочих

процесів, оглядів новин і широкого діапазону інших джерел. Знання, що

надходять з робочих процесів, базуються на робочих матеріалах,

пропозиціях тощо.

Крім того, бази знань можуть бути спроектовані з

розрахунку на ведення хронології діяльності підприємства, що

стосується, наприклад, роботи з клієнтами.

Бази даних для навчання. Навчальні БД можуть використо-

вуватися для підтримки операцій або генерації інформації про бізнес

загалом. Наприклад, навчальна база даних Національного агентства

безпеки (NSA – National Security Agency) містить три типи уроків:

інформаційні, уроки успіху і

проблеми. Інформаційний урок може

описувати, як працівник NSA бере на себе тимчасові обов’язки у разі

небезпеки. В “Уроках успіху” наводиться позитивний досвід виходу зі

скрутного становища. В “Уроках з проблем” показано приклади

типових випадків виникнення помилок і можливі шляхи їх усунення.

Аналогічно, компанія Ford Motor має спеціальні файли TGRW (things

gone right/wrong – події, які можуть відбуватися правильно або

неправильно), в яких збирається інформація про дії, що полегшують

виконання завдання, і про різного роду перешкоди. Звичайно, перший

тип знань легше зібрати хоча б через те, що, якщо знання архівуються,

645

то мало хто зі службовців захоче, щоб його ім’я було пов’язане з

проблемами, які виникають у корпорації.

Бази знань оптимальних рішень. Зазвичай схожі знання

нагромаджуються у процесі використовування різних тестів під час

пошуку ефективних шляхів розв’язання завдань. Після того, як орга-

нізація отримала знання про якнайкраще розв’язання, доступ

до них

може бути відкритий для співпрацівників корпорації. Наприклад,

компанія Huges Electronics, що входить до складу General Motors, веде

базу даних кращих проектів реконструкції підприємств. З кожним

проектом зв’язується короткий опис та інформація для контакту з відпо-

відальними особами. Частина даних може змінюватися в ході реконст-

рукції. Коли подібна інформація доступна у простій базі даних,

можна

сподіватися, що її потребуватиме ще хтось в організації. Консалтингові

фірми були одними з перших, хто почав розроблення БД оптимальних

рішень для допомоги своїм клієнтам.

Огляди новин забезпечують засоби формальної інтеграції

зовнішньої інформації. Наприклад, компанія KPMG, яка надає професійні

послуги, займається фільтрацією, сортуванням і попереднім підбором

новин для своїх замовників.

Розвідка знань. Розвідка знань

є новим напрямком, що швидко

розвивається і використовує методи штучного інтелекту, математики

і статистики для “вивуджування” знань зі сховищ даних. Експерти

визначають термін “розвідка знань” як “нетривіальне видобування

точної, раніше невідомої і потенційно корисної інформації з даних”. Цей

метод включає інструментарій і різні підходи до аналізу як тексту, так

і цифрових даних. Наприклад, для

генерації знань з фінансової інформації

в системі EDGAR (Electronic Data Gathering and Retrival System) була

розроблена система EdgarScan, завдяки якій інформація стала

доступною в Інтернет (http://edgarscan.tc.pw.com). Дані періодично

витягуються з системи EDGAR (http://www.sec.gov) і запам’ято-

вуються в базі Oracle. Наявність доступу до цієї числової інформації

дає користувачам можливість відстежувати зміни у процесі порівняння

різних підприємств.

Інша система Odie (On demand Information Extractor) щоночі

сканує близько 1000 статей з останніми новинами для

видобування

знань про зміни в управлінні. Odie, розроблена для американських і

646

європейських оглядачів новин, використовує розпізнавання стилізованих

фраз у статтях ділових новин і знання про синтаксичні правила для

розпізнавання відповідних подій у сфері бізнесу. Зараз досліджується

можливість використовування функції, яка відстежує напівструкту-

рований текст для збору інформації про інші типи подій, пов’язаних з

бізнесом, наприклад, великих придбань.

Подання знань. Системи КМ подають

знання як у формі, зручній

для нашого сприйняття, так і в машиночитаному вигляді. У першому

випадку доступ до знань можна отримати, використовуючи браузери і

системи інтелектуального пошуку. Але іноді знання, доступні в

машиночитаній формі, можуть бути спроектовані як бази знань

експертних систем для підтримки прийняття рішень.

У поданні знань для сприйняття людиною використовують

широкий

діапазон підходів, і спосіб подання знань багато в чому зале-

жить від ситуації. У випадках, коли інформація має декларативний ха-

рактер (факт або твердження), текст або правила можуть викорис-

товуватися для подання інформації і знань. Наприклад, керівні вказівки,

інформаційні бюлетені або інші схожі типи знань, зазвичай, виглядають

як документи, списки або

правила (хоча можуть бути додані зв’язки

між знаннями для спрощення пошуку і розуміння). Організаційні правила

засновані на загальноприйнятих нормах поведінки і записують,

зазвичай, у формі “Якщо А, то В”. Наприклад, “якщо у Вас народжуєть-

ся дитина, то Вам надається трирічна оплачувана відпустка”. Подібні

адаптовані правила можуть надалі використовуватися в базах знань

заснованих на правилах.

З іншого боку, якщо інформацію фільтрують, то вона може бути

подана як набір декларативних тверджень, не залежних від конкретної

ситуації. Хоча фільтрація дає змогу бути упевненим, що знання повні і

несуперечливі, але можуть бути дещо спрощені порівняно з вихідною

інформацією.

Використовуючи машиночитані знання, експертні системи

“підводять” користувача до рекомендованих

рішень. Експертні системи

можуть бути інтегрованою частиною КМ-систем. Хоча останні іноді

містять елементи штучного інтелекту, ці елементи використовують

лише для пошуку знань, поданих у формі, зручній для сприйняття

людиною. Необхідні дослідження для розширення сфери використання

647

штучного інтелекту і систем, що базуються на знаннях, у КМ. Нам

потрібно довідатись, які форми подавання знань краще підходять для

конкретних типів знань і як штучний інтелект може бути надалі

інтегрований у КМ-системи.

Онтології. Онтологія – це точний опис концептуалізації. У КМ-

системах корпорації онтологічні специфікації можуть посилатися на

таксономію завдань, які

визначають знання для системи (таксономія –

теорія класифікації і систематизації складно організованих галузей

діяльності, зазвичай, мають ієрархічну будову). Онтологія визначає

словник, що спільно використовується в КМ-системі для спрощення

комунікації, спілкування, запам’ятовування і подання. Опрацювання і

підтримка онтології в масштабі цілого підприємства потребує постійних

зусиль для її розвитку. Онтологія, зокрема, необхідна для того,

щоб

користувач міг працювати з базами даних оптимальних рішень, що

належать до широкого кола проблем підприємства, і легко розпізнавати,

яке рішення може йому знадобитися в конкретній ситуації. Оскільки

підприємства часто залучені в різні види діяльності, то для однієї КМ-

системи може бути потрібно декілька онтологій. Для транснаціональ-

них компаній онтологія має бути

перекладена різними мовами, щоб збе-

режена в базах знань інформація була доступна всім співпрацівникам.

З необхідністю практично всі підприємства, які використовують

КМ-системи, розробляли свою власну онтологію. Оскільки розроб-

лення онтологій вимагало певних капіталовкладень, компанії розра-

ховували отримати з їх допомогою перевагу перед конкурентами.

Принаймні одна корпорація висловила зацікавленість у розробленні

спільно

використовуваних багатьма компаніями онтології для того, щоб

спроектувати систему в стислі терміни і з меншими витратами. З

часом галузі промисловості прийдуть, мабуть, до коаліції або до форми

підписання на централізоване обслуговування з тих же причин.

Інші описові атрибути знань. Окрім онтології, для використо-

вування знань величезне значення мають додаткові описові атрибути.

Прикладами описових атрибутів можуть слугувати: “співпрацівник”,

“організація” і “статус інформації”. Теоретично всі бази знань

зберігають інформацію про контакт або співпрацівника, включаючи

ім’я, дату контакту, роль контактуючої особи в генерації знань

648

(наприклад, керівник проекту) тощо. Багато баз знань зберігає органі-

заційну інформацію, наприклад, відомості про те, в якому підрозділі

розроблено проект або зібрано знання. Статус інформації також є типо-

вим описовим атрибутом і може включати, наприклад, ознаку стану

цього елемента: планований, застосовуваний сьогодні або вже вико-

ристаний. Це може бути також запис

про те, призначена інформація

лише для внутрішнього використовування, або ж може бути поширена

за межі організації.

Фільтрація знань. Якість і актуальність знань залежить від

багатьох чинників. Наприклад, від того, хто поставляє знання в систему.

Оскільки якість знань змінюється від джерела до джерела, системи

часто пересортовують знання, щоб вони були повними і достовірними.

Фільтрація не завжди виконується співпрацівниками компанії.

Зазвичай, використовується фільтрація повідомлень електронної пошти

за пріоритетами і категоріями. Крім того, застосовують різні засоби,

які дають можливість відстежувати якість баз даних. Оцінка здебіль-

шого залежить від потреб конкретних співпрацівників, робочих груп

або інтересів усього підприємства. Однак у таких системах ступінь

важливості інформації, що надходить, суттєво

залежить від користу-

вача: одні можуть охарактеризувати інформацію як “дуже важлива”,

“важлива” тощо, інші вирішують, яким рівнем повинна бути позначена

інформація перед тим, як вона буде їм доставлена. Припустимо, дуже

зайнятому менеджеру, мабуть, було би зручно, щоб інформація

називалася “дуже важливою”. Отже, інформація, відзначена раніше,

як “важлива”, не потрапить до розряду “дуже

важливої”, і менеджер

не завжди побачить необхідну або дуже важливу інформацію. У свою

чергу, менеджер може встановити свій рівень важливості, щоб бути

упевненим, що вся дійсно “дуже важлива” інформація буде отримана.

Зрештою, це призводить не лише до “інфляції” важливості, а й до

накопичення інформації, а саме з ним така система і має

боротися.

Пошук знань. Бази знань можуть бути дуже великими. Наприк-

лад, база Ford мала в червні 1997 р. обсяг, еквівалентний 30 тис. сто-

рінок паперового тексту. Бази знань, зазвичай, містять величезну кіль-

кість інформації, тому пошук потрібної інформації стає екстремально

критичною функцією. Більшість сучасних методів пошуку включає

649

інструментальні засоби, засоби інтелектуального пошуку і візуальні

моделі.

Інструментальні засоби. Широкий діапазон добре відомих

інструментальних засобів пошуку (AltaVista, Excite, Infoseek, Lycos,

WebCrawler, Yahoo, Google) був використаний для інформаційної навігації

в Інтернет. Усі вони можуть бути адаптовані для внутрішньо корпо-

ративних потреб під час роботи з КМ-системами. Крім того, багато

компаній розробили альтернативні методи умовного пошуку. Наприклад,

Andersen Consulting має “

центральне сховище інтерфейсів (карти знань),

які зв’язуються із знаннями”. Користувачі можуть обирати карту для

навігації під час пошуку знань, що зберігаються в численних БД,

причому не знаючи точно, в якій саме базі даних треба шукати.

Засоби інтелектуального пошуку. За допомогою засобів

інтелектуального пошуку шукаються потрібні дані в інформаційному

наповненні Інтернет або

корпоративних мереж. Наприклад, InfoFinder

вивчає інтереси користувачів за наборами класифікованих ними

повідомлень або документів. Крім того, InfoFinder використовує

евристичні методи для збору додаткових, точніших відомостей.

На основі синтаксису повідомлень, InfoFinder намагається визна-

чити ключові фрази, які допомагають зрозуміти завдання користувача.

Наприклад, один з евристичних підходів передбачає видобування будь-

яких слів, що цілком складаються із

заголовних літер, таких як ISDN,

оскільки це, мабуть, відповідає поданню абревіатур або технічних імен.

Інший евристичний метод полягає в тому, щоб не звертати при цьому

уваги на слова, якщо вони використовуються для посилення, наприклад

“NOT”. Ще один спосіб – внесення переліків, нумерованих списків,

секцій заголовків і описів діаграм. Усе це дає можливість InfoFinder

знаходити документи,

передбачаючи запити користувача.

Візуальні моделі. Серед нових тенденцій у галузі проектування

систем пошуку для ефективних КМ можна виділити метод візуальних

моделей. Два інструментарії – Perspecta і InXight – представляють

різні методи візуалізації знань.

Perspecta (http://www.perspecta.com/) створює інтелектуальний

контекст, використовуючи метаінформацію, виділену з вихідних

документів, зокрема, структуровану інформацію в БД і цільових

650

документах, або неструктуровані дані в офісних документах і Web-

сторінках.

Для неструктурованих документів Perspecta має спеціальний засіб

Document Analysis Engine, який виконує лінгвістичний аналіз і

автоматично позначає документи. Сервер інтелектуального контекс-

ту аналізує позначену інформацію, ідентифікує взаємозв’язки між доку-

ментами і будує багатомірний інформаційний простір, використовуючи

спеціальну мову поміток (Information Space Markup Language).

Користувач “летить” крізь інформаційний простір, маніпулюючи

“мишкою

”. Для економії ресурсів дані вивантажуються клієнту за

допомогою інформаційного потокового протоколу (Information Streaming

Transport Protocol), який є розширенням HTTP.

Компанія InXight Software (http://www.inxight.com), що

відбрунькувалася від Xerox PARC, випустила власний засіб візуалізації

VizControl, що пропонує декілька форматів візуалізації. Кожний з них

розвиває метод “фокус контекст”, коли дані, що цікавлять користувача,

виводяться на передній план і в той же час зберігається структура

навіть дуже

великих наборів даних. Один з таких інструментальних

засобів, гіперболічний браузер (або “риб’яче око”), використовує

гіперболічну геометрію для розширення інформаційного простору під

час роботи з ієрархічними структурами, які розширюються експонен-

ціально зі збільшенням глибини.

Отже, гіперболічний браузер може показати 1000 вузлів у вікні

розміром 600 х 600 пікселів, в центрі якого висвічується текст досить

великого обсягу

(для порівняння, умовний 2D-браузер може показати

на екрані лише близько 100 вузлів). Користувач переміщається по

інформаційному простору, клацаючи “мишкою” на вузлі, або пересуваю-

чи покажчик “мишки” по гіперболічній площині.

Експлуатація КМ-систем вимагає певної культури спільного

використовування знань. Чи застосовується КМ централізовано (як,

наприклад, у Buckman Laboratories, де відділ інформаційних систем

перетворився на відділ передання

знань ), чи в децентралізованій сис-

темі (на зразок тієї, що використовує Hewlett-Packard ) спільне

використовування знань у будь-якому випадку актуальне. За оцінками,

Lotus витрачає близько 25 % від загального обсягу витрат, щоб її

служба підтримки клієнтів працювала в режимі розділення знання.

651

Buckman Laboratories на своїй щорічній конференції називає 100 провід-

них компаній, де практикується спільне використовування знань.

Компанія АВВ під час оцінення менеджерів враховує не лише резуль-

тати їх рішень, а також знання, використані у процесі прийняття рішень.

Способи стимулювання оцінення внеску в створення КМ, зазви-

чай, залежать від рівня або функції організації і

конкретної програми,

для якої призначена КМ-система. Група корпоративного навчання

компанії Hewlett-Packard надала, наприклад, по 2000 безкоштовних

авіамиль першим п’ятдесяти читачам, і ще по 500 миль усім, хто вніс

свій внесок у наповнення бази знань.

Чи будуть такі стимули актуальними у вихованні деяких культурних

норм, при яких службовці будуть зацікавлені в тому, щоб брати участь

КМ-системах, ми дізнаємося пізніше. Зрозуміло, однак, що впроваджувати

такі системи стало вигідно, коли підприємства почали застосовувати КМ-

системи для забезпечення власної конкурентоздатності, стало очевидним,

що у такий спосіб системи можуть спростити повторне використовування

наявних знань і створювати нові знання, що дають можливість помітно

удосконалити процеси прийняття рішень.

4.7.19. Джерела накопичення знань

Отримання знань можливе з трьох основних джерел, кожне з яких

необхідно враховувати під час розроблення автоматизованого рішення

з управління інформацією. Співпрацівники компанії набувають знання,

накопичуючи власний досвід, запозичивши досвід колег, а також аналі-

зуючи бізнес-дані, наприклад, фінансові звіти і звіти з продажу. Синтез

цих трьох джерел дає змогу отримати нові знання

і виявити нові перс-

пективи. Ефективні стратегії управління інформацією організовують і

забезпечують розвиток усіх вище перелічених джерел нових знань:

♦

Бізнес-дані, зазвичай, визначають як сукупність окремих фак-

тів про навколишній світ і події в ньому. В більшості організацій значні

обсяги даних цього типу зберігаються в добре структурованих базах

даних, таких як системи управління ресурсами підприємства і вироб-

ничого процесу. Крім того, багато компаній використовують зовнішні

джерела даних, звідки вони отримують демографічну

інформацію,

статистику про конкуруючі підприємства та інші відомості про ситуацію

652

на ринку. Ефективне використовування бізнес-даних має на увазі їх

аналіз, синтез і подальше перетворення в інформацію та знання.

♦

Інформація є результатом накопичення і включення до потріб-

ного контексту досвіду та ідей. Інформація, або експлицитний досвід,

зазвичай, зберігаються у напівструктурованому вигляді – в доку-

ментах, повідомленнях електронної пошти, диктофонних записах і

мультимедіа-матеріалах. Для отримання максимальної віддачі від

інформації вимагається організувати висхідні матеріали так, щоб

полегшити її пошук і повторне використовування, що

дозволить

уникнути повторення помилок і виконання однієї і тієї ж роботи двічі.

♦

Знання складаються на основі неявного досвіду, ідей, розу-

міння і думок. Знання динамічне, і отримати доступ можна лише за

допомогою прямої співпраці і спілкування з людьми, які ним володіють.

Системи управління знаннями повинні забезпечувати наявність

культурних стимулів, що допомагають розділити з іншими те, що

історично вважалося особистим надбанням, що визначало цінність того

або

іншого службовця для компанії. Сьогодні внесок конкретного

працівника полягає в отриманні нового знання через співпрацю з

колегами, а також в узагальненні існуючої інформації і даних.

Відділи, що займаються людськими ресурсами, перемагають у

боротьбі за управління знаннями своїх колег з відділів інформаційних

технологій, оскільки недосконалі системи ІТ не в змозі поєднати знання

і бізнес

Після багатьох літ використовування сумісників, скорочення

штату і гнучкої системи зайнятості компанії повертаються до найму

співпрацівників, оскільки ці компанії виявилися без традиційних баз

даних з інформацією про робочу силу. Змінний ринок і нові технології

відкрили бізнесу нові можливості, і фірми шукають співпрацівників

відповідної кваліфікації.

Професор Пол Куїнт ас з Відкритого Університету сказав: “Тех-

нології

управління знаннями недостатньо сильні в галузі обміну

знаннями і підтримки знань, тому зараз виграють відділи, що зай-

маються людськими ресурсами”. Він додає: “Підхід, який викорис-

товують багато фірм, ставить їх у залежне становище від наявності

спеціальних баз даних про рівень підготовки робочої сили, коли компанія

хоче зробити щось нове. Ситуація така ж

, як і з мережною організа-