Technologie wspierające zarządzanie wiedzą 18 grudnia 2003

Zarządzanie wiedzą Kontekst organizacyjny zarządzania wiedzą. Techniki wspierające zarządzanie wiedzą: sieci semantyczne / mapy wiedzy, wyszukiwanie wsparte modelem wiedzy. Standardy modelowania wiedzy: TopicMaps, Resource Description Framework. Semantic Web – nowa wizja inteligentnego Internetu.

Modne hasło: zarządzanie wiedzą Wiedza – najcenniejszy zasób w organizacji. Zarządzanie wiedzą: powstawanie wiedzy, przesyłanie wiedzy (dzielenie się wiedzą), wykorzystanie wiedzy.

Wiedza a kultura organizacyjna Psychologiczne bariery przepływu wiedzy: "gromadzisz wiedzę – masz władzę – budujesz swój autorytet", "korzystając z cudzej wiedzy przyznajesz, że jesteś niekompetentny". Syndrom klasy szkolnej. Motywowanie do dzielenia się wiedzą: ocenianie pracowników, udział w efektach wykorzystania wiedzy, tworzenie warunków do wymiany wiedzy: czas i miejsce, technologia.

Procesy tworzenia wiedzy Do Wiedza ukryta Wiedza jawna Wymiana Przekazywanie Wiedza ukryta Z Przyswajanie Łączenie Wiedza jawna Nonaka i Takeuchi, 1995 Za: W. Staniszkis, "Architektura systemów zarządzania wiedzą", Rodan Systems S.A.

Rozwiązania technologiczne System plików (na dysku sieciowym). System zarządzania dokumentami/treścią: metainformacje, workflow, wersje, uprawnienia, ..., SGML/XML, Intranet – zarządzanie i publikowanie treści w jednym. Portal korporacyjny: każdy jest zarówno czytelnikiem, jak i autorem, udostępnianie zintegrowanej informacji z: systemów biznesowych organizacji, Internetu; jednokrotna autoryzacja dostępu do wszystkich zasobów, personalizacja. Czy to jest zarządzanie wiedzą?

Co autor miał na myśli Co ciekawsze zasłyszane definicje systemu zarządzania wiedzą: baza wszystkich pracowników, ich doświadczeń i umiejętności, pozwalająca na znalezienie osoby o zadanym doświadczeniu, system umożliwiający określenie statusu i miejsca przebywania przesyłki (w firmie kurierskiej), system przekazu obrazu wideo, pozwalający ekspertom na zdalną diagnozę i naprawę uszkodzonych szybów naftowych. Czy to jest zarządzanie wiedzą?

Czym tak na prawdę jest wiedza? Tymczasem: systemy zarządzania dokumentami, systemy zarządzania treścią, portale korporacyjne operują na dokumentach! To więcej niż: informacja, tekst, dokument. To sieć powiązań, relacji, skojarzeń między informacjami, doświadczeniami, spostrzeżeniami.

Wiedza a technologia Modelowanie wiedzy: ontologia – schemat modelowanej dziedziny: typy pojęć, typy relacji między pojęciami, mapa wiedzy: abstrakcyjne pojęcia, powiązania między pojęciami, wystąpienia pojęć w dokumentach. System zarządzania wiedzą: budowanie ontologii, budowanie, rozwijanie mapy wiedzy, nawigacja po mapie wiedzy.

Ontologia Ontologia stanowi wspólną reprezentację pewnej dziedziny działalności ludzkiej, która może być wykorzystana jako platforma porozumienia pozwalająca na spójne podejście do rozwiązywania problemów w tej dziedzinie. Ontologia obejmuje pewną wizję świata ograniczoną do danej dziedziny. Taka wizja zazwyczaj jest wyrażana jako zbiór pojęć, definicji tych pojęć oraz ich wzajemnych powiązań. Taką reprezentację dziedziny nazywamy często jej konceptualizacją Mike Uschold - Artificial Intelligence Application Institute, University of Edinburgh Za: W. Staniszkis, "Architektura systemów zarządzania wiedzą", Rodan Systems S.A.

Mapa wiedzy – przykład ryba śledzie w oliwie śledź świeży śledź główny składnik rodzaj śledzie w oliwie rodzaj śledź świeży śledź grupa podobny do przygotowywany z rodzaj śledzie w śmietanie śledź solony główny składnik grupa danie rybne składnik można zastąpić natka pietruszki suszona pietruszka

Ontologia – przykład Typy pojęć: przepis, grupa przepisów, składnik. Relacje: składnik wchodzi w skład przepisu, składnik jest głównym składnikiem przepisu, składnik jest rodzaju składnik, składnik jest przygotowywany ze składnika, składnik można zastąpić składnikiem, przepis należy do grupy przepisów, przepis jest podobny do przepisu

Wiedza operacyjna a wiedza abstrakcyjna opisuje konkretne instancje obiektów i ich własności, np.: klienta Jana Kowalskiego, polisę nr 1234-5678/2002; często się zmienia, ma charakter relacji bazodanowych. Wiedza abstrakcyjna: opisuje własności abstrakcyjnych bytów (klas obiektów), np: zakres ubezpieczenia terminowego na życie; nie zmienia się w wyniku działalności operacyjnej, ma charakter luźnej sieci powiązań. Ontologia przedstawiona na poprzednich slajdach zawiera więc wiedzę operacyjną – opisującą konkretne projekty, osoby z nimi związane, oraz zawierającą dokumenty projektowe. Oczywiście powyższy podział ma charakter akademicki – pozwala nam uzmysłowić sobie różnicę, ale tak na prawdę rzadko występuje w czystej postaci w przyrodzie. Często bowiem łączymy w mapie wiedzy elementy wiedzy abstrakcyjnej oraz operacyjnej, np. opisując w części abstrakcyjnej własności ubezpieczenia terminowego na życie, oraz dla konkretnych polis z części operacyjnej – określając ich rodzaj poprzez powiązania z obiektami części abstrakcyjnej.

Modelowanie ontologii (1) Zdefiniowanie celu modelowania: charakter mapy wiedzy: operacyjny vs. abstrakcyjny, poziom szczegółowości mapy wiedzy, poziom granulacji dokumentów, czy mapa wiedzy formalizuje wiedzę zapisaną w dokumentach? jaki będzie podstawowy sposób dostępu do informacji? Analiza rzeczywistości biznesowej: oddzielenie wiedzy abstrakcyjnej od operacyjnej, modelowanie części abstrakcyjnej: wyodrębnienie ogólnych klas i relacji między klasami, uszczegółowienie klas, utworzenie hierarchii klas; modelowanie części operacyjnej: określenie, które klasy abstrakcyjne będą miały instancje w części operacyjnej (ewentualnie rozszerzenie części operacyjnej), zdefiniowanie możliwych zależności między instancjami. Wybranie charakteru mapy (np. operacyjnego) nie oznacza, że nie pojawią się w niej obiekty abstrakcyjne. Chodzi jedynie o dominujący rodzaj pojęć. Określając cel modelowania trzeba też zdecydować, czy będzie ona zawierała wiedzę zawartą już w dokumentach, tyle że sformalizowaną, czy też będzie to wiedza ekstra, pozwalająca lepiej interpretować treść dokumentów osobom, które nie są ekspertami. Poziom szczegółowości mapy wiedzy jest silnie związany ze stopniem granulacji dokumentów. Duża granulacja oznacza, że mamy wiele dokumentów o małych rozmiarach, każdy dokument opisuje jeden problem/sytuację/pojęcie. Przy dużej granulacji, nawigacja po mapie wiedzy może być podstawowym sposobem dostępu do danych. Natomiast przy niewielkiej granulacji (długie dokumenty, opisujące wiele pojęć), nawigacja po mapie wiedzy będzie zapewne pomocniczym sposobem dostępu, zaś głównie będzie się korzystać z wyszukiwania wspartego modelem wiedzy.

Modelowanie ontologii (2) Analiza dostępnych dokumentów: wyodrębnienie pojęć występujących w dokumentach, klasyfikacja dokumentów, zdefiniowanie typów wystąpień dokumentów w mapie wiedzy. Testowanie: wypełnienie mapy wiedzy pojęciami i powiązaniami, dowiązanie przykładowych dokumentów, sprawdzenie efektywności nawigacji po mapie, wprowadzanie poprawek.

Język modelowania ontologii Podział ról Język modelowania ontologii Poziom dostawcy rozwiązania Ontologia Poziom analityka/ administratora Mapa wiedzy Poziom użytkownika Docelowy użytkownik operuje w ramach ontologii zamodelowanej przez analityka/administratora. Dla końcowego użytkownika, ontologia jest więc ustalona – on sam jej nie zmienia. Analityk operuje natomiast w ramach języka, który jest wspierany przez serwer map wiedzy. Zapewne będzie to jeden ze standardowych języków, być może wzbogacony o możliwość określania dodatkowych informacji, parametrów (np. uprawnień użytkowników, sposobu wizualizacji).

Korzenie: sztuczna inteligencja nauka o mechanizmach racjonalnego działania oraz budowaniu algorytmów stosujących te mechanizmy, intensywnie rozwijana w latach 70-tych. Obszary zainteresowań: przetwarzanie języka naturalnego, reprezentacja wiedzy, automatyczne wnioskowanie, uczenie maszynowe. systemy eksperckie. Sztuczna inteligencja a zarządzanie wiedzą: to człowiek, a nie maszyna, wykorzystuje wiedzę, problemem jest efektywny dostęp do zgromadzonej wiedzy. Każdy zapewne słyszał hasło sztuczna inteligencja. Nie każdy wie, że jest to poważna gałąź informatyki, której rozwój zaowocował opracowaniem zaawansowanych sposobów reprezentacji wiedzy (takich jak sieci semantyczne) oraz algorytmów wykorzystania tej wiedzy – np. poprzez automatyczne wnioskowanie. Mechanizmy te były i są wykorzystywane w tzw. systemach eksperckich, które zawierają zakodowaną wiedzę eksperta z danej dziedziny, dzięki czemu mogą pomóc np. w postawieniu diagnozy pacjenta na podstawie objawów, czy też określeniu ryzyka ubezpieczeniowego na podstawie charakterystyki klienta. Uczenie maszynowe polega na reagowaniu przez algorytm na bodźce uczące (przykładowe poprawne wyniki). Algorytm dostosowuje się do nich, potrafiąc w rezultacie rozwiązać przypadki podobne do nich. Najbardziej znanym mechanizmem uczenia maszynowego są sieci neuronowe, których podstawą jest matematyczny model neuronu.

Mapa wiedzy a dokumenty Wiedza zawarta w: pojęciach i powiązaniach w mapie wiedzy, treści dokumentów. Poeta napisał Warstwa pojęć autor dzieło Szekspir „Hamlet” biografia zdjęcie treść Dokumenty nie należą w zasadzie do mapy wiedzy, lecz tworzą osobną warstwę dokumentów, które możemy dowiązać do pojęć mapy wiedzy, określając w ten sposób semantykę tych pojęć. Rozdział ten jest istotny, ponieważ wiedza jest zakodowana nie tylko w samej mapie wiedzy, ale także w treści dokumentów. Aby więc móc korzystać ze zgromadzonej wiedzy w sposób pełny, musimy potrafić w łatwy sposób znaleźć dokumenty zawierające interesującą nas treść. Warstwa dokumentów Szekspir – biografia Hamlet by W. Shakespeare

Jak dotrzeć do wiedzy zawartej w dokumentach? Znajdowanie właściwych dokumentów: nawigacja po mapie wiedzy, wyszukiwanie pełnotekstowe: często wystarczy odnaleźć rozwiązanie podobne, na czym polega "podobieństwo"? jak je wyrazić? Wyszukując w treści dokumentów, powinniśmy uwzględnić: wiedzę zakodowaną w mapie wiedzy o zależnościach między pojęciami, wiedzę ukrytą. Rozwiązanie: wyszukiwanie wsparte modelem wiedzy. Komplementarną do nawigacji po mapie wiedzy metodą dotarcia do właściwej informacji, jest wyszukiwanie w treści dokumentów. Jednak zwykłe wyszukiwanie pełnotekstowe nie rozwiązuje problemu, ponieważ nie uwzględnia wiedzy, którą zawarliśmy w mapie wiedzy. Nie uwzględnia także wiedzy ukrytej, którą każdy ekspert posiada i na co dzień z niej korzysta, lecz z oczywistych powodów nie posiada jej system komputerowy. Chodzi tu np. o wiedzę o synonimach, terminach bliskoznacznych, czy też podobieństwach między podstawowymi terminami (np. o tym, że utrata wzroku jest rodzajem inwalidztwa). Wyszukiwanie wsparte modelem wiedzy pozwala wykorzystać tego typu wiedzę podczas wyszukiwania, skutkiem czego w wyniku wyszukiwania otrzymujemy nie tylko dokumenty zawierające szukany termin, ale też terminy podobne czy synonimy.

inteligentne odpowiedzi Wyszukiwanie a wiedza zapytanie Wyszukiwanie wsparte modelem wiedzy: konfrontuje zapytanie z modelem wiedzy, znajduje dokumenty semantycznie odpowiadające zapytaniu. baza wiedzy wiedza dane i dokumenty inteligentne odpowiedzi

Model wiedzy – przykład Typ: składnik. Wartości i podobieństwa: śledź śledź świeży śledź solony natka pietruszki suszona pietruszka koperek 100 90 80 60 20

Model wiedzy – przykład Typ: kaloryczność Funkcja podobieństwa: 100% user input

Architektura referencyjna systemu zarządzania wiedzą Tekst Mapy wiedzy Atrybuty Hurtownie danych Bazy danych Wyszukiwanie Sieci semantyczne Mapy wiedzy Powiązania SMD Czas Integracja zasobów informacji Strony WWW Pliki Reprezentacja Wiedzy Automatyczne wnioskowanie Drzewa kontekstowe Sieci semantyczne Hyper-tekst Dokumenty papierowe Systemy zarządzania dokumentami Grafy procesów Semantyczny model danych System Zarządzania Wiedzą XML RDF Szyfrowanie Pliki Bezpieczeństwo Repozytorium Forum dyskusyjne Zarządzanie wersjami Podpis elektroniczny Uprawnienia Współpraca Tworzenie wspólnej ontologii Autentykacja Zarządzanie hierarchią pamięci Systemy zarządzania bazą danych Zarządzanie procesami Poczta elektroniczna Internet Intranet Źródło: W. Staniszkis, "Architektura systemów zarządzania wiedzą", Rodan Systems S.A.

Geneza Topic Maps "W dzisiejszych czasach, większość ludzi nie potrzebuje więcej informacji. Jeśli już, to potrzebują jej mniej, ponieważ już toną w ogromnych jej ilościach." Steve Pepper "Euler, Topic Maps and Revolution" Oryginalna motywacja (1991): jednolity standard do reprezentacji indeksów, scalanie indeksów. Pomysł: utworzenie nad warstwą zasobów warstwy abstrakcyjnych pojęć, powiązanie obu warstw poprzez wystąpienia pojęć w zasobach.

Pojęcia Pojęcie (topic): abstrakcyjny byt, "co autor miał na myśli". Typ pojęcia: także jest pojęciem. Pojęcie posiada: nazwy, wystąpienia, role pełnione w powiązaniach.

Wystąpienia Wiążą pojęcia z warstwą zasobów: zasoby nie są częścią mapy pojęć. Nadają sens pojęciom. Role wystąpień.

Powiązania Tworzą sieć zależności między pojęciami: typy powiązań, role pojęć w powiązaniu, powiązania łączące więcej niż dwa pojęcia.

Warszawa Polska empolis Kompletny przykład Miasto Firma urodzony w człowiek miejsce stolica państwo miasto siedziba instytucja miasto Polska Warszawa Chopin empolis Polska Warszawa Polska empolis

Co z tego mamy? Mapa pojęć jako samodzielny, niezależny byt (dokument): oddzielona od warstwy zasobów, linki (powiązania) niezależne od warstwy zasobów. Więc: nad danym zbiorem zasobów można skonstruować wiele różnych map, jedna mapa może być użyta do nawigacji po wielu zbiorach zasobów. Reprezentacja wiedzy! "The GPS of the information universe".

Zastosowania Wydawnictwa encyklopedyczne: wartość dodana do informacji encyklopedycznej (poprzez możliwość łatwego znalezienia informacji), Mother Encyclopaedia. Zarządzanie witryną internetową: struktura witryny jako mapa pojęć, interfejs nawigacyjny – dzięki odpowiednim przekształceniom XSLT. Zarządzanie wiedzą w organizacjach. Wymiana/przesyłanie zakodowanej wiedzy.

Status Topic Maps: pierwotnie zwany Topic Navigation Maps, standard ISO/IEC 13250:2000, twórcy: Michel Biezunski, Martin Bryan, Steven R. Newcomb, oparty na SGML-u i Hy-Time. XML Topic Maps (XTM): rozwijany przez TopicMaps.org – niezależne konsorcjum specjalistów, aktualnie dostępna wersja: 1.0 z 6.08.2001, twórcy: Steve Pepper i Graham Moore, oparty na XML-u i XLink.

TMQL – Topic Maps Query Language Trwają prace rozwojowe. Przykład: SELECT topic x WHERE x instance_of topic named "Job seeker” AND assoctemp y named "Person is skilled in” AND x in (assoc template_is y) has topic named "Java programming” AND x in (assoc template_is y) has topic named "German – fluent”

Narzędzia Topic Maps Loom, InfoLoom  www.infoloom.com Ontopia Knowledge Suite, Ontopia  www.ontopia.net ITM Intelligent Topic Manager, Mondeca  www.mondeca.com TM4J, Topic Maps for Java (open source)  tm4j.org  www.techquila.com

Gdzie szukać dalej Analizy i raporty n/t zarządzania wiedzą www.egov.pl/km/index.php Knowledge Management Portal www.kmportal.pl topicmap.com www.topicmap.com Learn more about Topic Maps www.ontopia.net/topicmaps/learn_more.html Treść rekomendacji XML. „Kuźnia standardów internetowych” – organizacja zajmująca się ich zatwierdzaniem i promowaniem. Duży zbiór materiałów, artykułów itp. Nowości, zasoby, lista organizacji zajmujących się XML-em itp.