Knowledge Architecture

“ nic, co stojí za to vědět, se nedá naučit “

Oscar Wilde

cíl

jak dokládá program symbolických systémů (ssp) na Stanfordské univerzitě, pokroky v oblasti výpočetní techniky a komunikačních technologií přinášejí informační a znalostní systémy pod jedinou funkční střechou, jmenovitě zpracování symbolických reprezentací.

v rámci tohoto porozumění lze očekávat správu znalostí na stínové architektury systémů a obavy: obchodní kontexty a cíle, organizace a provoz podniku, systémové funkce a technologie. Na druhé straně, znalosti, které jsou svou povahou sdíleným zdrojem opakovaně použitelných aktiv, by její organizace měla podporovat potřeby svých různých uživatelů nezávisle na původu a povaze informací. Řízení znalostí by proto mělo vázat znalosti architektur s architekturou znalostí.

reprezentace znalostí

ve svém stěžejním článku Davis, Shrobe a Szolovits stanovili pět principů reprezentace znalostí:

1. náhradní: KR poskytuje symbolický protějšek skutečných objektů, události a vztahy.
2. ontologické závazky: KR je soubor prohlášení o kategoriích věcí, které mohou existovat v uvažované doméně.
3. fragmentární teorie inteligentního uvažování: KR je model toho, co věci mohou dělat nebo mohou být provedeny.
4. médium pro efektivní výpočet: zpřístupnění znalostí počítačům je nezbytným krokem pro jakoukoli křivku učení.
5. médium pro lidskou expresi: jedním z předpokladů KR je zlepšení komunikace mezi konkrétními odborníky na doménu na jedné straně, generickými znalostními manažery na straně druhé.

, který uvádí informační systémy jako zvláštní případ znalostních, protože splňují pět principů, přesto s funkční kvalifikací:

• stejně jako znalostní systémy řídí informační systémy symbolické reprezentace externích objektů, událostí nebo činností, které jsou považovány za relevantní.
• systémové modely jsou tvrzení týkající se legitimních obchodních objektů a operací.
• stejně tak jsou informační systémy určeny k podpoře efektivního výpočtu a uživatelsky přívětivých interakcí.

jediný rozdíl spočívá v propojení: na rozdíl od znalostních systémů hrají informační a kontrolní systémy roli v jejich kontextu a operace na náhradnících nejsou neutrální.

znalostní archeologie

znalostní konstrukty jsou prázdná pole, která musí být řádně vyplněna fakty. Ale, jak je notoricky vystaveno alternativními, fakta nejsou dána, ale musí být dodržována, což nutně vyžaduje nějakého pozorovatele, nastaven na úkol, ne – li s partikulárními zájmy, a nějaký aparát, přirozený nebo vyrobený záměrně. A pokud mají být zaznamenány, i“ čistá “ fakta pozorovaná pouhým okem nevinných dětí budou muset být přeložena do nějaké symbolické reprezentace.

Vezmeme-li vítr jako příklad, větrné ponožky podporují okamžité pozorování faktů, bez jakéhokoli symbolického významu. Aby bylo možné pochopit jejich chování, ubývají a anemometry jsou nezbytné, respektive pro azimut a rychlost; ale to také vyžaduje symbolické rámce pro směry a metriky. Konečně mohou být přidány znalosti o rizicích silného větru, pokud je třeba tato rizika zvážit.

pokud jde o podniky, znalostní boxy musí být naplněny fakty o jejich obchodním kontextu a procesech, organizaci a aplikacích a technických platformách. Některé z nich budou vyráběny interně, jiné získané z externích zdrojů, ale všechny by měly být spravovány nezávisle na konkrétních účelech.

bez ohledu na jejich povahu (podnikání, organizace nebo systémy), informace produkované samotnými podniky jsou Od počátku připraveny k použití, i.e organizovaný kolem identifikovaných objektů nebo procesů, s definovanými strukturami a sémantikou.

to nemusí být nutně případ dat odrážejících vnější kontexty (trhy, předpisy, technologie atd.), které musí být mapovány na podnikové zájmy a cíle, než budou použity.

že překlad dat do informací může být proveden okamžitě mapováním datové sémantiky na identifikované objekty a procesy; může být také zpožděn, s hrubými daty spravovanými jako takovými, dokud nebudou použity v pozdější fázi k vytváření informací.

od dat k informacím

informace jsou smysluplné, data nejsou. Dokonce ani „fakta“ nejsou mana z nebe, ale musí být formována z jevů do dat a pak informací, jak je ztělesněno binárními, fragmentovanými nebo“ velkými “ daty.

• binární data jsou přímým záznamem fyzikálních jevů, např. zvuků nebo obrazů; i když jsou indexovány klíčovými slovy, zůstávají k ničemu, dokud nejsou spojeny jako symbolické znaky s identifikovanými objekty nebo činnostmi.
• na rozdíl od binárních dat, fragmentovaná data přicházejí v symbolickém hávu, ale jako plovoucí nugety s podúrovňovou granularitou; a stejně jako jejich binární bratranec, tyto jemnozrnné popisy nemají smysl, dokud nejsou připojeny k identifikovaným objektům nebo činnostem.
• „velkými“ daty se obvykle rozumí škálovatelnost, protože se jedná o příliš velké hrudky, které lze zpracovat jednotlivě. Lze jej také definovat jako zobecnění fragmentovaných dat, s identifikovanými cíli přeskupenými do smysluplnějších agregátů, posunutím cílené granularity nahoru na určitou „ohromující“ úroveň.

vzhledem k tomu, že znalosti mohou být postaveny pouze ze symbolických popisů, musí být data nejprve přeložena do informací vytvořených z identifikovaných a strukturovaných jednotek s přidruženou sémantikou.

tváří v tvář „hrubým“ (aka nezpracovaným) datům si mohou manažeři znalostí vybrat mezi dvěma zásadami: informace mohou být“ vytěženy “ z dat pomocí statistických prostředků, nebo informační fáze jednoduše obcházena a data přímo používána (aka interpretována) „znalými“ agenty podle jejich kontextu a obav.

ve skutečnosti se obě politiky spoléhají na znalé agenty, otázkou je, kdo jsou „horníci“ a co by měli vědět. Teoreticky by horníci mohli být plně automatizovanými nástroji schopnými extrahovat vzory relevantních informací z hrubých dat bez předchozích informací; prakticky takové nástroje budou muset být krmeny nějakou předchozí „inteligencí“ ohledně toho, co by mělo být hledáno, např. vzorky pro neuronální sítě nebo proměnné pro statistickou regresi. Proto je potřeba nějaké formáty, plány nebo šablony, které pomohou rámovat hrubá data do informací.

informační vlastnosti

znalosti musí být postaveny z přesných a aktuálních informací týkajících se vnějšího a vnitřního stavu věcí a za tímto účelem musí být informační položky spravovány podle jejich zdroje, povahy, životního cyklu a relevance:

• zdroj: vláda a správa, nevládní organizace, firemní média, sociální média, podniky, systémy atd.
• Příroda: události, rozhodnutí, data,názory, hodnocení atd.
• typ kotvy: jednotlivec, instituce, čas, prostor atd.
• životní cyklus: okamžitý, časový, konečný.
• Relevance: sledovatelnost s ohledem na obchodní cíle, obchodní operace, řízení organizace a systémů.

na tomto základě bude řízení znalostí muset mapovat znalosti podle své informační stopy z hlediska spolehlivosti (zdroj ,přesnost,konzistence, zastaralost atd.)

od informací ke znalostem

informace jsou smysluplné, znalosti jsou také užitečné. Jako informační modely musí být reprezentace znalostí nejprve ukotvena k jednotkám Perzistence a provádění, aby se podpořila konzistence a kontinuita identit náhradníků (princip č. 1).

tyto kotvy mají být přiřazeny k doménám spravovaným jednotlivými organizačními jednotkami odpovědnými za ontologické závazky a obohaceny strukturami, rysy a asociacemi (princip č. 2). V závislosti na jejich rozsahu, struktuře nebo funkci musí být sémantika spravována perzistentními nebo aplikačními doménami.

podobně ontologie mohou cílit na objekty nebo aspekty, z nichž první je spojena se strukturálními podtypy, druhá s funkčními.

rozdíly mezi informačními modely a reprezentací znalostí se objevují s pravidly a omezeními. Zatímco cílem informačních a kontrolních systémů je spravovat obchodní objekty a činnosti, účelem znalostních systémů je spravovat symbolický obsah nezávisle na jejich skutečných protějšcích (princip č. 3).

standardní pravidla používaná při modelování systému popisují povolené operace s objekty, činnostmi a souvisejícími informacemi; lze je vyjádřit dopředu nebo dozadu:

• pravidla vpřed (aka push) jsou podmínky, kdy a jak mají být operace prováděny.
• zpětná (aka pull) pravidla jsou omezení konzistence symbolických reprezentací nebo provádění operací.

za předpokladu kontinuity mezi reprezentacemi informací a znalostí by inflexní bod byl označen zavedením modalit používaných ke kvalifikovaným pravdivým hodnotám, např. podle časové a fuzzy logiky:

• časová rozšíření umístí časová razítka na pravdivé hodnoty informací.
• Fuzzy logika dává úroveň spolehlivosti pravdivým hodnotám informací.

to je místo, kde se znalostní systémy odchylují od informačních a kontrolních systémů, když zavádějí novou teorii inteligentního uvažování založenou na plynulosti a nestálosti znalostí.

významy jsou v rukou pozorovatelů

při pohledu v podnikovém kontextu lze znalosti chápat jako informace rámované kontexty a řízené účely: jak podnikat, jak vyvíjet aplikace, jak spravovat systémy. Z toho vyplývá dvojí perspektiva: na jedné straně se informace řídí podnikovými zájmy, systémové funkce, a technologie platforem; na druhé straně znalosti jsou poháněny obchodními procesy, systémovým inženýrstvím a správou služeb.

to poskytuje jasnou a komplexní taxonomii artefaktů, které mají být použity k budování znalostí z nižších vrstev informací a dat:

• obchodní analytici musí vědět o obchodních doménách a činnostech, organizaci a aplikacích a kvalitě služeb.
• systémoví inženýři musí vědět o projektech, funkcích systémů a implementacích platforem.
• systémoví manažeři musí vědět o umístění a operacích, službách a nasazení platformy.

duální perspektiva také ukazuje na dynamiku znalostí, přičemž informace jsou tlačeny jejich zdroji a znalosti jsou přitahovány jejich uživateli.

čas pro každý účel

jak rozumí Kybernetika, podniky jsou životaschopné systémy, jejichž úspěch závisí na jejich schopnosti čelit entropii, i. e postupné snižování úrovně informací používaných k řízení interakcí jak v samotné organizaci, tak v jejím prostředí.

ve srovnání se znalostmi architektury, které jsou organizovány podle obsahu informací, je architektura znalostí organizována podle funkčních zájmů a životnosti informací a jejím cílem je udržovat interní a externí informace v synchronizaci:

• plánování obchodních cílů a požadavků (interní) ve vztahu k vývoji trhů a příležitostem (externí).
• hodnocení organizačních jednotek a postupů (interní) v souladu s regulačním a smluvním prostředím (externí).
• monitorování operací a projektů (interní) spolu s prodejními a dodavatelskými řetězci (externí).

to dalo významy (to by byly znalosti) do rukou osob s rozhodovací pravomocí, respektive pro firemní strategii, organizaci a provoz. Podniky, které jsou živými bytostmi, životností a funkční udržitelností, mají navíc splynout do konzistentních a homogenních vrstev:

• podnikové (aka obchodní, aka strategické) Časové stupnice jsou definovány prostředím, cíli a investičními rozhodnutími.
• organizační (aka funkční) Časové stupnice jsou nastaveny podle dostupnosti, všestrannosti a přizpůsobivosti zdrojů
• Provozní Časové stupnice jsou určeny procesními vlastnostmi a omezeními.

taková shoda časových měřítek, architektur a účelů do stříhacích vrstev je pravděpodobně klíčovým faktorem úspěchu řízení znalostí.

Search and Stretch

jak již bylo uvedeno, znalosti jsou řízeny účely a účely, které nejsou omezeny na domény nebo konzervy, jsou vázány na rozšíření znalostí napříč obchodními kontexty a organizačními hranicemi. Toho lze dosáhnout pomocí vyhledávání, logiky a klasifikace.

• vyhledávání shromažďují informace relevantní pro obavy uživatelů (1). To může uspokojit všechny znalosti potřeby, nebo poskytnout páteř pro další rozšíření.
• vyhledávání lze kombinovat s ontologiemi (aka klasifikacemi), které dávají stejné informace pod nová světla (1b).
• operace zachovávající pravdu pomocí matematiky nebo formálních jazyků lze použít k vytvoření odvozených informací (2).
• konečně lze pomocí statistického zpracování získat nové informace se sníženou úrovní spolehlivosti (3,4).

například pozorovaný provoz na zpoplatněných silnicích (1) se používá pro účetní účely (2), pro prognózu vývoje provozu (3), pro analýzu sezónních trendů (1b) a simulaci sezónních a variabilních mýtných poplatků (4).

tyto operace mají jasné důsledky pro řízení znalostí:

pokud výpočetní vzdálenosti neovlivňují úroveň spolehlivosti, operace zachovávající pravdu jsou s ohledem na KM neutrální.

klasifikace jsou symbolické nástroje navržené záměrně; v důsledku toho by všechny znalosti spojené s klasifikací měly zůstat v odpovědnosti jeho návrháře.

problémy vznikají, když jsou ovlivněny úrovně spolehlivosti, a to buď přímo, nebo prostřednictvím zastarávání. A protože rozhodování je v podstatě o řízení rizik, nelze se vyhnout nakládání s dílčími nebo nespolehlivými informacemi. Proto je důležité řídit znalosti podél stříhacích vrstev, z nichž každá má svůj vlastní informační životní cyklus, požadavky na důvěru a pravidla rozhodování.

od znalostní architektury k architektuře

znalostní architektura je firemní centrální nervový systém a jako taková hraje primární roli v podpoře provozních a manažerských procesů. Tento bod je částečně řešen rámce, jako je Zachman, jehož matice organizuje architekturu Informačního systému (ISA) podél úrovní schopností a designu. Dosud, jak dokládají úrovně návrhu, důraz zůstává kladen na informační technologie, aniž by se výslovně zabýval rozdílem mezi podnikem, systémy, a platformy.

toto rozlišení je klíčové, protože řídí rozdíl mezi odpovídajícími procesy, jmenovitě obchodními procesy, systémovým inženýrstvím a řízením služeb. A jakmile je rozlišení správně zavedeno, Architektura znalostí může být sladěna s hodnocením procesů.

to však nyní nebude stačit, když digitální prostředí napadají podnikové systémy a rozmazávají rozdíl mezi spravovanými informačními aktivy a nepřetržitými toky velkých dat.

to klade důraz na dvě strukturální nedostatky podnikových architektur:

• zmatek mezi daty, informacemi a znalostmi.
• vnitřní rozpor mezi systémy a znalostními architekturami.

obojí lze překonat sloučením systémových a znalostních architektur pomocí Pagodového plánu:

sladění platforem, funkcí systémů a podnikové organizace s daty (prostředí), informacemi (symbolickými reprezentacemi) a znalostmi (business intelligence) by výrazně zvýšilo sledovatelnost transformací vyvolaných ponořením podniků do digitálních prostředí.

reprezentace znalostí & profilované ontologie

tváří v tvář digitálním obchodním prostředím musí podnik třídit relevantní a přesné informace z nepřetržitého a masivního přílivu dat. Protože metody modelování nemohou zvládnout otevřenou škálu kontextů, obavy, sémantika, a formáty, jsou zapotřebí volnější schémata, to je přesně to, co mají ontologie dělat:

• tezaurus: ontologie zahrnující pojmy a pojmy.
• dokumenty: ontologie pokrývající dokumenty s ohledem na témata.
• obchodní: ontologie příslušných podnikových organizací a obchodních objektů a činností.
• inženýrství: symbolické znázornění organizačních a obchodních objektů a činností.

profilované ontologie pak mohou být navrženy kombinací této taxonomie obav s kontexty, např.:

• institucionální: regulační orgán, stabilní, změny podléhající zavedeným postupům.
• Profesionální: dohodnuto mezi stranami, stabilní, změny podléhající dohodám.
• Corporate: definované podniky, změny podléhající internímu rozhodování.
• sociální: definováno použitím, volatilními, kontinuálními a neformálními změnami.
• osobní: obvyklé, definované pojmenovanými jednotlivci (např. výzkumná práce).

v neposlední řadě by mohly být integrovány externí (regulační, podnikové, …) a interní (tj. podniková Architektura) ontologie, například s Zachmanovým rámcem:

použití profilovaných ontologií pro správu podnikové architektury a podnikových znalostí pomůže sladit řízení znalostí s řízením EA tím, že oddělí ontologie definované externě (např. předpisy), od ontologií stanovených prostřednictvím rozhodování, strategických (např. desková forma) nebo taktických (např. partnerství).

ontologické jádro bylo vyvinuto jako důkaz konceptu pomocí Protégé / OWL 2; beta verze je k dispozici pro komentáře na portálu Stanford/Protégé s odkazem: Caminao ontologické jádro (CaKe).

od analýzy dat k hlubokému učení

nastaveno mezi all-inclusive náporem dat na jedné straně, všudypřítomnými inteligentními roboty na druhé straně, informační systémy by mohly ztratit svou identitu a účel. A existuje pro to dobrý důvod, a to zmatek mezi daty, informacemi a znalostmi.

jak se to stalo před věky, ontologie byly explicitně řešeny tímto problémem.

další čtení

• systémy, informace, znalosti
• ontologie & modely
• Caminao ontologické jádro (Protégé/OWL 2)
• ontologie & Podniková Architektura
• ontologie jako produktivní aktiva
• Enterprise Governance & znalosti
• agilní spolupráce & sociální kreativita
• znovuobjevení kola
• alternativní fakta & rozšířená realita
• AlphaGo: Od intuitivního učení k holistickým znalostem
• AlphaGo & nenulové soutěže
• Nový Rok: 2016 je ten, kdo se učí
• řízení, předpisy & rizika
• události & rozhodování
• operační inteligence & rozhodování
• dolování dat & Analýza požadavků
• EA: entropie Antidote
• business agility vs Systems Entropy