Arquitectura del conocimiento

«No se puede enseñar nada que valga la pena conocer»

Oscar Wilde

Objetivo

Como ilustra el Programa de Sistemas Simbólicos (SSP) de la Universidad de Stanford, los avances en las tecnologías de la computación y la comunicación reúnen los sistemas de información y conocimiento bajo un único techo funcional, a saber, el procesamiento de representaciones simbólicas.

Dentro de ese entendimiento, uno esperará que la Gestión del Conocimiento siga las arquitecturas y preocupaciones de los sistemas: contextos y objetivos empresariales, organización y operaciones empresariales, funcionalidades y tecnologías de los sistemas. Por otra parte, dado que el conocimiento es por naturaleza un recurso compartido de activos reutilizables, su organización debe satisfacer las necesidades de sus diferentes usuarios independientemente del origen y la naturaleza de la información. Por lo tanto, la gestión del conocimiento debe vincular el conocimiento de las arquitecturas con la arquitectura del conocimiento.

Representación del conocimiento

En su artículo fundamental Davis, Shrobe y Szolovits establecen cinco principios para la representación del conocimiento:

1. Sustituto: KR proporciona una contraparte simbólica de objetos, eventos y relaciones reales.
2. Compromisos ontológicos: un KR es un conjunto de declaraciones sobre las categorías de cosas que pueden existir en el dominio en cuestión.
3. Teoría fragmentaria del razonamiento inteligente: un KR es un modelo de lo que las cosas pueden hacer o con lo que se puede hacer.
4. Medio para un cálculo eficiente: hacer que el conocimiento sea comprensible por las computadoras es un paso necesario para cualquier curva de aprendizaje.
5. Medio para la expresión humana: uno de los requisitos previos de KR es mejorar la comunicación entre expertos en dominios específicos, por un lado, y gestores de conocimiento genéricos, por otro.

Que pone a los sistemas de información como un caso especial de conocimiento, ya que cumplen con los cinco principios, pero con una calificación funcional:

• Al igual que los sistemas de conocimiento, los sistemas de información gestionan representaciones simbólicas de objetos externos, eventos o actividades supuestamente relevantes.
• Los modelos de sistema son afirmaciones sobre objetos y operaciones comerciales legítimos.
• Del mismo modo, los sistemas de información están destinados a soportar computación eficiente e interacciones fáciles de usar.

La única diferencia está en el acoplamiento: contrariamente a los sistemas de conocimiento, los de información y control juegan un papel en su contexto, y las operaciones en sustitutos no son neutrales.

Arqueología del conocimiento

Las construcciones del conocimiento son cajas vacías que deben llenarse adecuadamente con hechos. Pero, como lo demuestran notoriamente las alternativas, los hechos no se dan sino que deben ser observados, lo que necesariamente implica algún observador, puesto en tarea, si no con intereses creados, y algún aparato, natural o hecho a propósito. Y si se van a registrar, incluso los hechos «puros» observados a través de los ojos desnudos de niños inocentes tendrán que traducirse en alguna representación simbólica.

Tomando el viento como ejemplo, los calcetines de viento apoyan la observación inmediata de los hechos, sin ningún significado simbólico. Para dar sentido a sus comportamientos, se necesitan menguantes y anemómetros, respectivamente para acimut y velocidad; pero eso también requiere marcos simbólicos para direcciones y métricas. Por último, el conocimiento de los riesgos de los vientos fuertes puede añadirse cuando se deben considerar dichos riesgos.

En lo que respecta a las empresas, las cajas de conocimientos deben estar llenas de datos sobre el contexto y los procesos de su negocio, la organización y las aplicaciones, y las plataformas técnicas. Algunos de ellos se producirán internamente, otros se obtendrán de fuentes externas, pero todos deben gestionarse independientemente de fines específicos.

Cualquiera que sea su naturaleza (negocio, organización o sistemas), la información producida por las propias empresas está, desde su creación, lista para ser utilizada, i.e organizado en torno a objetos o procesos identificados, con estructuras y semántica definidas.

Ese no es necesariamente el caso de los datos que reflejan contextos externos (mercados, regulaciones, tecnología, etc.) que deben mapearse con las preocupaciones y objetivos de la empresa antes de ser útiles.

Que la traducción de datos en información se puede hacer de inmediato mediante la asignación de semántica de datos a objetos y procesos identificados; también puede retrasarse, con datos aproximados administrados como tales hasta que se utilicen en una etapa posterior para construir información.

De datos a Información

La información es significativa, los datos no lo son. Incluso los » hechos «no son maná del cielo, sino que tienen que ser moldeados a partir de fenómenos en datos y luego en información, como se personifica en datos binarios, fragmentados o» grandes » datos.

• Los datos binarios son registros directos de fenómenos físicos, por ejemplo, sonidos o imágenes; incluso cuando se indexan con palabras clave, permanecen inútiles hasta que se asocian, como características no simbólicas, a objetos o actividades identificados.
• Contrariamente a los datos binarios, los datos fragmentados vienen en forma simbólica, pero como pepitas flotantes con granularidad de subnivel; y como su primo binario, esas descripciones de grano fino no tienen sentido hasta que se adjuntan a objetos o actividades identificados.
• Los» grandes » datos se entienden generalmente en términos de escalabilidad, ya que se refieren a grumos demasiado grandes para ser procesados individualmente. También se puede definir como una generalización de datos fragmentados, con objetivos identificados reagrupados en agregados más significativos, moviendo la granularidad objetivo a un nivel «abrumador».

Dado que el conocimiento solo puede construirse a partir de descripciones simbólicas, los datos deben traducirse primero en información hecha de unidades identificadas y estructuradas con semántica asociada.

Frente a datos» en bruto «(también conocidos como no procesados), los administradores de conocimiento pueden elegir entre dos políticas: la información puede» extraerse «de datos utilizando medios estadísticos, o la etapa de información simplemente omitida y los datos utilizados directamente (también conocidos como interpretados) por agentes» conocedores » de acuerdo con su contexto y preocupaciones.

De hecho, ambas políticas se basan en agentes conocedores, la pregunta es quiénes son los «mineros» y qué deben saber. Teóricamente, los mineros podrían ser herramientas completamente automatizadas capaces de extraer patrones de información relevante de datos aproximados sin ninguna información previa; en la práctica, tales herramientas tendrán que ser alimentadas con alguna «inteligencia» previa con respecto a lo que se debe buscar, por ejemplo, muestras para redes neuronales o variables para regresión estadística. De ahí la necesidad de algún tipo de formatos, planos o plantillas que ayuden a enmarcar los datos aproximados en información.

Propiedades de la información

El conocimiento debe construirse a partir de información precisa y actualizada sobre el estado de los asuntos externos e internos, y para ese fin, los elementos de información deben gestionarse de acuerdo con su fuente, naturaleza, ciclo de vida y relevancia:

• Fuente: Gobierno y administraciones, ONG, medios de comunicación corporativos, redes sociales, empresas, sistemas, etc.
• Naturaleza: acontecimientos, decisiones, datos, opiniones, valoraciones, etc.
• Tipo de anclaje: individual, institución, tiempo, espacio, etc.
• Ciclo de vida: instantáneo, relacionado con el tiempo, final.
• Relevancia: trazabilidad con respecto a objetivos de negocio, operaciones de negocio, organización y gestión de sistemas.

Sobre esa base, la gestión del conocimiento tendrá que asignar el conocimiento a su huella de información en términos de fiabilidad (fuente, precisión, coherencia, obsolescencia, etc.) y riesgos.

De la información al conocimiento

La información es significativa, el conocimiento también es útil. Como modelos de información, las representaciones de conocimiento deben anclarse primero en unidades de persistencia y ejecución para apoyar la consistencia y continuidad de las identidades de sustitutos (principio #1).

Esos anclajes deben asignarse a dominios administrados por unidades organizativas únicas a cargo de compromisos ontológicos, y enriquecidos con estructuras, características y asociaciones (principio #2). Dependiendo de su alcance, estructura o característica, la semántica debe ser administrada respectivamente por dominios persistentes o de aplicación.

Asimismo, las ontologías pueden apuntar a objetos o aspectos, los primeros asociados a subtipos estructurales, los segundos a subtipos funcionales.

Las diferencias entre los modelos de información y la representación del conocimiento aparecen con reglas y restricciones. Mientras que el objetivo de los sistemas de información y control es gestionar objetos y actividades empresariales, el propósito de los sistemas de conocimiento es gestionar contenidos simbólicos independientemente de sus contrapartes reales (principio #3).

Las reglas estándar utilizadas en el modelado de sistemas describen operaciones permitidas en objetos, actividades e información asociada; pueden expresarse hacia adelante o hacia atrás:

• Las reglas de avance (también conocidas como push) son condiciones sobre cuándo y cómo se deben realizar las operaciones.
• Las reglas hacia atrás (también conocidas como pull) son restricciones en la consistencia de las representaciones simbólicas o en la ejecución de operaciones.

Suponiendo una continuidad entre las representaciones de información y conocimiento, el punto de inflexión estaría marcado por la introducción de modalidades utilizadas para los valores de verdad calificados, por ejemplo, de acuerdo con la lógica temporal y difusa:

• Las extensiones temporales pondrán marcas de tiempo en los valores de verdad de la información.
• La lógica difusa pone niveles de confianza en los valores de verdad de la información.

Aquí es donde los sistemas de conocimiento se apartan de los de información y control al introducir una nueva teoría del razonamiento inteligente, basada en la fluidez y volatilidad del conocimiento.

Los significados están en manos de los espectadores

Visto en un contexto corporativo, el conocimiento puede entenderse como información enmarcada por contextos e impulsada por propósitos: cómo dirigir un negocio, cómo desarrollar aplicaciones, cómo administrar sistemas. De ahí la doble perspectiva: por un lado, la información se rige por las preocupaciones de la empresa, las funcionalidades de los sistemas y la tecnología de las plataformas; por otro lado, el conocimiento es impulsado por los procesos de negocio, la ingeniería de sistemas y la gestión de servicios.

Eso proporciona una taxonomía clara y completa de artefactos, que se utilizará para generar conocimiento a partir de capas inferiores de información y datos:

• Los analistas de negocio deben conocer los dominios y actividades de negocio, la organización y las aplicaciones, y la calidad del servicio.
• Los ingenieros de sistemas deben conocer los proyectos, las funcionalidades de los sistemas y las implementaciones de la plataforma.
• Los administradores de sistemas deben conocer las ubicaciones y las operaciones, los servicios y las implementaciones de plataformas.

La perspectiva dual también apunta a la dinámica del conocimiento, con información impulsada por sus fuentes y conocimiento atraído por sus usuarios.

Un Tiempo para Cada Propósito

Según lo entendido por la Cibernética, las empresas son sistemas viables cuyo éxito depende de su capacidad para contrarrestar la entropía, i.e la degradación progresiva de la información utilizada para gobernar las interacciones tanto dentro de la propia organización como con su entorno.

En comparación con el conocimiento de la arquitectura, que se organiza de acuerdo con los contenidos de la información, la arquitectura del conocimiento se organiza de acuerdo con las preocupaciones funcionales y la vida útil de la información, y su objetivo es mantener la información interna y externa sincronizada:

• Planificación de objetivos y requisitos de negocio (internos) en relación con la evolución de los mercados y las oportunidades (externos).
• Evaluación de las unidades y procedimientos organizativos (internos) en consonancia con los entornos reglamentarios y contractuales (externos).
• Monitoreo de operaciones y proyectos (interno) junto con ventas y cadenas de suministro (externo).

Eso puso significados (que serían conocimiento) en manos de los tomadores de decisiones, respectivamente, para la estrategia corporativa, la organización y las operaciones. Además, las empresas que son entidades vivas, vida útil y sostenibilidad funcional están destinadas a fusionarse en capas consistentes y homogéneas:

• Las escalas de tiempo empresariales (también conocidas como negocios, también conocidas como estratégicas) se definen por entornos, objetivos y decisiones de inversión.
• Las escalas de tiempo de organización (también conocidas como funcionales) se establecen por disponibilidad, versatilidad y adaptabilidad de los recursos
• Las escalas de tiempo operativas se determinan por las características y restricciones del proceso.

Tal congruencia de escalas de tiempo, arquitecturas y propósitos en capas de corte es posiblemente un factor clave de éxito de la gestión del conocimiento.

Buscar y ampliar

Como ya se ha señalado, el conocimiento está impulsado por propósitos, y los propósitos, que no se limitan a dominios o reservas, están destinados a ampliar el conocimiento a través de contextos empresariales y límites organizacionales. Eso se puede lograr a través de la búsqueda, la lógica y la clasificación.Las búsquedas de

• recopilan la información relevante para las preocupaciones de los usuarios (1). Eso puede satisfacer todas las necesidades de conocimiento, o proporcionar una columna vertebral para una mayor extensión.
• Las búsquedas se pueden combinar con ontologías (también conocidas como clasificaciones) que ponen la misma información bajo nuevas luces (1b).
• Se pueden aplicar operaciones de preservación de la verdad utilizando matemáticas o lenguajes formales para producir información derivada (2).
• Finalmente, se puede producir nueva información con niveles de confianza reducidos a través del procesamiento estadístico (3,4).

Por ejemplo, el tráfico observado en las carreteras de peaje (1) se utiliza con fines contables (2), para pronosticar la evolución del tráfico (3), analizar las tendencias estacionales (1b) y simular peajes estacionales y variables (4).

Estas operaciones tienen consecuencias claras para la gestión del conocimiento:

En la medida en que las distancias computacionales no afecten a los niveles de confianza, las operaciones de preservación de la verdad son neutrales con respecto a la KM.

Las clasificaciones son herramientas simbólicas diseñadas a propósito; en consecuencia, todo el conocimiento asociado a una clasificación debe permanecer bajo la responsabilidad de su diseñador.

Los desafíos surgen cuando los niveles de confianza se ven afectados, ya sea directamente o por obsolescencia. Y dado que la toma de decisiones se basa esencialmente en la gestión de riesgos, no se puede evitar tratar con información parcial o poco fiable. De ahí la importancia de gestionar el conocimiento a lo largo de las capas de corte, cada una con su propio ciclo de vida de la información, requisitos de confianza y reglas de toma de decisiones.

De la Arquitectura del Conocimiento a la Capacidad de la Arquitectura

La arquitectura del conocimiento es el sistema nervioso central corporativo y, como tal, desempeña un papel primordial en el apoyo de los procesos operativos y de gestión. Ese punto es abordado parcialmente por marcos como Zachman, cuya matriz organiza la Arquitectura de Sistemas de Información (ISA) a lo largo de las capacidades y los niveles de diseño. Sin embargo, como ilustran los niveles de diseño, la atención se mantiene en la tecnología de la información sin abordar explícitamente la distinción entre empresa, sistemas y plataformas.

Esa distinción es fundamental porque rige la distinción entre los procesos correspondientes, es decir, los procesos de negocio, la ingeniería de sistemas y la gestión de servicios. Y una vez establecida la distinción, la arquitectura del conocimiento puede alinearse con la evaluación de procesos.

Sin embargo, eso no será suficiente ahora que los entornos digitales están invadiendo los sistemas empresariales, difuminando la distinción entre los activos de información gestionados y los flujos continuos de big data.

Esto pone el foco en dos defectos estructurales de las arquitecturas empresariales:

• La confusión entre datos, información y conocimiento.
• La discrepancia intrínseca entre sistemas y arquitecturas de conocimiento.

Ambos pueden superarse fusionando arquitecturas de sistema y conocimiento aplicando el plano de Pagoda:

La alineación de plataformas, funcionalidades de sistemas y organización empresarial, respectivamente, con datos (entornos), información (representaciones simbólicas) y conocimiento (inteligencia de negocios) mejoraría en gran medida la trazabilidad de las transformaciones inducidas por la inmersión de las empresas en entornos digitales.

Representación del conocimiento & Ontologías perfiladas

Frente a los entornos de negocios digitales, la empresa debe ordenar información relevante y precisa a partir de flujos continuos y masivos de datos. Como los métodos de modelado no pueden hacer frente a la gama abierta de contextos, preocupaciones, semántica y formatos, se necesitan esquemas más flexibles, eso es precisamente lo que las ontologías están destinadas a hacer:

• Tesauro: ontologías que abarcan términos y conceptos.
• Documentos: ontologías que cubren documentos con respecto a temas.
• Negocios: ontologías de organización empresarial relevante y objetos y actividades empresariales.
• Ingeniería: representación simbólica de objetos y actividades de organización y negocio.

Las ontologías perfiladas se pueden diseñar combinando esa taxonomía de preocupaciones con contextos, por ejemplo:

• Institucional: Autoridad reguladora, constante, cambios sujetos a procedimientos establecidos.
• Profesional: Acordado entre las partes, estable, cambios sujetos a acuerdos.
• Corporativo: Definido por las empresas, cambios sujetos a la toma de decisiones internas.
• Social: Definido por el uso, cambios volátiles, continuos e informales.
• Personal: Habitual, definido por individuos nombrados (por ejemplo, un artículo de investigación).

Por último, pero no menos importante, se podrían integrar ontologías externas (regulatorias, empresariales, businesses) e internas (es decir, arquitectura empresarial), por ejemplo, con el marco Zachman:

El uso de ontologías perfiladas para gestionar la arquitectura empresarial y el conocimiento corporativo ayudará a alinear la gestión del conocimiento con el gobierno de EA al separar las ontologías definidas externamente (por ejemplo, regulaciones), de las establecidas a través de la toma de decisiones, estratégicas (por ejemplo, en forma de placa) o tácticas (por ejemplo, asociaciones).

Se ha desarrollado un núcleo ontológico como Prueba de Concepto utilizando Protégé / OWL 2; una versión beta está disponible para comentarios en el portal Stanford/Protégé con el enlace: Núcleo Ontológico Caminao (CaKe).

Desde el análisis de datos hasta el Aprendizaje profundo

Los sistemas de información podrían perder su identidad y propósito, ya que se trata de un conjunto de ataques de datos integrales por un lado y bots inteligentes generalizados por el otro. Y hay una buena razón para ello, a saber, la confusión entre datos, información y conocimiento.

Como sucedió hace eones, las ontologías han estado explícitamente a la altura de ese problema.

Lectura adicional

• Sistemas, Información, Conocimiento
• Ontologías & Modelos
• Núcleo Ontológico Caminao (Protegido/BÚHO 2)
• Ontologías & Arquitectura Empresarial
• Ontologías como Activos Productivos
• Gobernanza empresarial & Conocimiento
• Colaboración ágil & Creatividad social
• Reinventar la rueda
• Hechos alternativos & Realidad aumentada
• AlphaGo: Del Aprendizaje Intuitivo al Conocimiento Holístico
• AlphaGo & Concursos de Suma No Nula
• Año Nuevo: 2016 es El Que Se Aprende
• Gobernanza, Regulaciones & Riesgos
• Eventos & Toma de decisiones
• Inteligencia Operativa & Toma de decisiones
• Minería de datos & Análisis de requisitos
• EA: Antídoto de Entropía
• Agilidad empresarial vs Entropía de sistemas