Knowledge Architecture

“semmi, amit érdemes tudni, nem tanítható”

Oscar Wilde

célkitűzés

amint azt a Stanford Egyetem Symbolic Systems programja (SSP) szemlélteti, a számítástechnika és a kommunikációs technológiák fejlődése az információs és tudásrendszereket egyetlen funkcionális tető alá hozza, nevezetesen a szimbolikus ábrázolások feldolgozását.

ezen a megértésen belül elvárható, hogy a tudásmenedzsment árnyékolja a rendszerek architektúráit és aggodalmait: üzleti kontextusok és célok, vállalati szervezet és működés, rendszerfunkciók és technológiák. Másrészt, mivel a tudás természeténél fogva az újrafelhasználható eszközök közös forrása, szervezetének az információ eredetétől és jellegétől függetlenül támogatnia kell a különböző felhasználók igényeit. A tudásmenedzsmentnek ezért az architektúrák ismeretét a tudás architektúrájához kell kötnie.

Tudásábrázolás

sarkalatos cikkükben Davis, Shrobe és Szolovits öt alapelvet határoztak meg a tudásábrázoláshoz:

1. helyettesítő: a Kr a tényleges tárgyak, események és kapcsolatok szimbolikus megfelelője.
2. ontológiai kötelezettségvállalások: a KR olyan állítások halmaza, amelyek a vizsgált tartományban létezhetnek.
3. az intelligens érvelés töredékes elmélete: a KR annak modellje, hogy a dolgok mit tehetnek vagy mit lehet tenni.
4. közepes hatékony számítás: a tudás számítógépek általi érthetővé tétele szükséges lépés minden tanulási görbéhez.
5. médium az emberi kifejezéshez: az egyik a KR előfeltétele egyrészt az adott terület szakértői, másrészt az Általános tudásmenedzserek közötti kommunikáció javítása.

ez az információs rendszereket a tudás speciális esetének tekinti, mivel teljesítik az öt alapelvet, mégis funkcionális képesítéssel:

• a tudásrendszerekhez hasonlóan az információs rendszerek is kezelik a relevánsnak vélt külső objektumok, események vagy tevékenységek szimbolikus ábrázolását.
• a Rendszermodellek jogszerű üzleti objektumokra és műveletekre vonatkozó állítások.
• Hasonlóképpen, az információs rendszerek célja a hatékony számítás és a felhasználóbarát interakciók támogatása.

az egyetlen különbség a kapcsolásban van: a tudásrendszerekkel ellentétben az információ és az ellenőrzés is szerepet játszik a kontextusukban, és a helyettesítőkkel végzett műveletek nem semlegesek.

tudás régészet

a tudás konstrukciók üres dobozok, amelyeket megfelelően kell kitölteni tényekkel. De, amint azt az alternatívák közismerten mutatják, a tényeket nem adják meg, hanem be kell tartani, ami szükségszerűen magában foglal valamilyen megfigyelőt, aki feladatot vállal, ha nem saját érdekekkel, és valamilyen apparátust, amely természetes vagy szándékosan készült. És ha ezeket fel akarjuk jegyezni, akkor még az ártatlan gyermekek szabad szemével megfigyelt” tiszta ” tényeket is le kell fordítani valamilyen szimbolikus ábrázolásra.

a szél mint példa, a szél zokni támogatja a tények azonnali megfigyelését, minden szimbolikus jelentéstől mentesen. Annak érdekében, hogy értelmezzék viselkedésüket, az azimuthoz és a sebességhez szükség van az anemométerekre és az anemométerekre; de ehhez szimbolikus keretrendszerekre is szükség van az irányokhoz és a mutatókhoz. Végül az erős szél kockázataival kapcsolatos ismeretek hozzáadhatók, amikor ezeket a kockázatokat figyelembe kell venni.

ami a vállalkozásokat illeti, a tudásdobozokat meg kell tölteni az üzleti környezetükre és folyamataikra, szervezetükre és alkalmazásaikra, valamint a műszaki platformokra vonatkozó tényekkel. Némelyiküket belsőleg állítják elő, mások külső forrásokból származnak, de mindegyiket a konkrét céloktól függetlenül kell kezelni.

bármi legyen is a természetük (üzleti, szervezet vagy rendszerek), által termelt információk maguk a vállalkozások, a kezdetektől fogva, használatra kész, i.e azonosított objektumok vagy folyamatok köré szerveződik, meghatározott struktúrákkal és szemantikával.

nem feltétlenül ez a helyzet a külső összefüggéseket (piacokat, szabályozásokat, technológiát stb.) tükröző adatok esetében, amelyeket fel kell térképezni a vállalati aggodalmakhoz és célkitűzésekhez, mielőtt bármilyen felhasználásra kerülnének.

az adatok információvá történő fordítása azonnal elvégezhető az adatok szemantikájának az azonosított objektumokra és folyamatokra történő leképezésével; késleltethető is, a durva adatokat ilyenként kezelik, amíg egy későbbi szakaszban felhasználják az információk felépítésére.

az adatoktól az információig

az információ értelmes, az adatok nem. Még a ” tények “sem a mennyből származó mannák, hanem a jelenségekből adatokká, majd információvá kell alakítani, amint azt bináris, töredezett vagy” nagy ” adatok testesítik meg.

• a bináris adatok fizikai jelenségek, pl. hangok vagy képek közvetlen rögzítése; még akkor is, ha kulcsszavakkal indexelik őket, használhatatlanok maradnak, amíg nem szimbolikus jellemzőkként azonosított tárgyakhoz vagy tevékenységekhez nem társulnak.
• a bináris adatokkal ellentétben a töredezett adatok szimbolikus köntösben jelennek meg, de lebegő rögökként, alszintű részletességgel; és bináris unokatestvérükhöz hasonlóan ezek a finomszemcsés leírások mindaddig értelmetlenek, amíg azonosított objektumokhoz vagy tevékenységekhez nem kapcsolódnak.
• a”nagy” adatokat általában a skálázhatóság szempontjából értjük, mivel olyan csomókra utal, amelyek túl nagyok ahhoz, hogy külön-külön feldolgozhatók legyenek. Meghatározható a töredezett adatok általánosításaként is, az azonosított célokat értelmesebb aggregátumokba csoportosítva, a célzott szemcsézettséget a skálán valamilyen “elsöprő” szintre emelve.

mivel a tudás csak szimbolikus leírásokból építhető fel, az adatokat először azonosított és strukturált egységekből álló, kapcsolódó szemantikával rendelkező információvá kell lefordítani.

a “durva” (más néven feldolgozatlan) adatokkal szembesülve a tudásmenedzserek két irányelv közül választhatnak: az információk statisztikai eszközökkel “bányászhatók” az adatokból, vagy az információs szakasz egyszerűen megkerülhető, és az adatokat “hozzáértő” ügynökök közvetlenül felhasználják (más néven értelmezik) kontextusuk és aggályaik szerint.

valójában mindkét politika hozzáértő ügynökökre támaszkodik, a kérdés az, hogy kik a “bányászok”, és mit kell tudniuk. Elméletileg a bányászok teljesen automatizált eszközök lehetnek, amelyek előzetes információk nélkül képesek kinyerni a releváns információk mintáit durva adatokból; gyakorlatilag az ilyen eszközöket valamilyen előzetes “intelligenciával” kell táplálni azzal kapcsolatban, hogy mit kell keresni, pl. Ezért szükség van valamilyen formátumra, tervrajzra vagy sablonra, amelyek segítenek a durva adatok információvá alakításában.

információs tulajdonságok

a tudást a külső és belső helyzetre vonatkozó pontos és naprakész információkból kell felépíteni, és e célból az információs elemeket forrásuk, természetük, életciklusuk és relevanciájuk szerint kell kezelni:

• forrás: kormány és közigazgatás, nem kormányzati szervezetek, vállalati média, közösségi média, vállalkozások, rendszerek stb.
• Természet: események, döntések, adatok, vélemények, értékelések stb.
• horgony típusa: egyén, intézmény, idő, tér stb.
• életciklus: azonnali, idővel kapcsolatos, végleges.
• relevancia: nyomon követhetőség az üzleti célok, az üzleti műveletek, a szervezet és a rendszerirányítás tekintetében.

ennek alapján a tudásmenedzsmentnek a tudást a megbízhatóság (forrás, pontosság, következetesség, elavulás stb.) és a kockázatok szempontjából az információs lábnyomához kell igazítania.

az információtól a tudásig

az információ értelmes, a tudás is hasznos. Információs modellként a tudásreprezentációkat először a perzisztencia és a végrehajtó egységekhez kell rögzíteni annak érdekében, hogy támogassák a helyettesítő identitások következetességét és folytonosságát (1.elv).

ezeket a horgonyokat az ontológiai elkötelezettségekért felelős egyes szervezeti egységek által kezelt területekhez kell hozzárendelni, és struktúrákkal, jellemzőkkel és asszociációkkal gazdagítani (2.alapelv). Hatókörüktől, szerkezetüktől vagy jellemzőiktől függően a szemantikát állandó vagy alkalmazási tartományokkal kell kezelni.

Hasonlóképpen, az ontológiák objektumokat vagy szempontokat is megcélozhatnak, az előbbiek strukturális altípusokhoz, az utóbbiak funkcionálisakhoz kapcsolódnak.

az információs modellek és a tudásábrázolás közötti különbségek szabályokkal és korlátozásokkal jelennek meg. Míg az információs és vezérlőrendszerek célja az üzleti objektumok és tevékenységek kezelése, a tudásrendszerek célja a szimbolikus tartalmak tényleges megfelelőiktől független kezelése (3.elv).

a rendszermodellezésben használt szabványos szabályok leírják az objektumokon, tevékenységeken és a kapcsolódó információkon megengedett műveleteket; előre vagy hátra kifejezhetők:

• előre (aka push) szabályok feltételei, hogy mikor és hogyan műveleteket kell végrehajtani.
• a visszafelé (más néven húzás) szabályok A szimbolikus ábrázolások konzisztenciájára vagy a műveletek végrehajtására vonatkozó korlátozások.

feltételezve, hogy az információ és a tudás reprezentációi folytonosak, az inflexiós pontot a minősített igazságértékekhez használt modalitások bevezetése jelöli, pl. időbeli és fuzzy logika:

• az időbeli kiterjesztések időbélyegzőket helyeznek az információ igazságértékeire.
• a Fuzzy logika megbízhatósági szinteket adott az információ igazságértékeire.

ez az, ahol a tudásrendszerek eltérnek az információtól és az irányítástól, amikor bevezetik az intelligens érvelés új elméletét, amely a tudás folyékonyságán és volatilitásán alapul.

a jelentések a szemlélők kezében vannak

vállalati kontextusban a tudás olyan információként értelmezhető, amelyet összefüggések kereteznek és célok vezérelnek: hogyan kell vállalkozást vezetni, hogyan kell alkalmazásokat fejleszteni, hogyan kell kezelni a rendszereket. Ezért a kettős perspektíva: egyrészt az információkat a vállalati aggodalmak, a rendszerek funkcionalitása és a platformok technológiája szabályozza; másrészt a tudást az üzleti folyamatok, a rendszerfejlesztés és a szolgáltatásmenedzsment vezérli.

ez egyértelmű és átfogó taxonómiát biztosít a tárgyakról, amelyeket az információk és adatok alacsonyabb rétegeiből származó ismeretek építésére kell használni:

• az üzleti elemzőknek tudniuk kell az üzleti területekről és tevékenységekről, a szervezésről és az alkalmazásokról, valamint a szolgáltatás minőségéről.
• a Rendszermérnököknek tudniuk kell a projektekről, a rendszerfunkciókról és a platform implementációkról.
• a Rendszerkezelőknek tudniuk kell a helyszínekről, a műveletekről, a szolgáltatásokról és a platform telepítésekről.

a kettős perspektíva a tudás dinamikájára is rámutat, az információkat a forrásaik, a tudást pedig a felhasználóik húzzák.

idő minden célra

amint azt a kibernetika megértette, a vállalkozások életképes rendszerek, amelyek sikere attól függ, hogy képesek-e ellensúlyozni az entrópiát, i.e az interakciók irányításához használt információk fokozatos leminősítése mind a szervezeten belül, mind a környezetével.

az információs tartalom szerint szervezett építészeti ismeretekhez képest a tudásarchitektúra a funkcionális aggályok és az információs élettartam szerint szerveződik, és célja a belső és külső információk szinkronban tartása:

• üzleti célok és követelmények tervezése (belső) a piacok fejlődéséhez és lehetőségeihez képest (külső).
• szervezeti egységek és eljárások értékelése (belső) a szabályozási és szerződéses környezettel összhangban (külső).
• a műveletek és projektek (belső), valamint az értékesítési és ellátási láncok (külső) nyomon követése.

ez a jelentést (ez lenne a tudás) a döntéshozók kezébe helyezi, a vállalati stratégia, a szervezet és a műveletek szempontjából. Továbbá, a vállalkozások, mint élőlények, az élettartam és a funkcionális fenntarthatóság célja, hogy egységes és homogén rétegekké egyesüljenek:

• a vállalati (más néven Üzleti, Más néven stratégiai) időskálákat környezetek, célok és befektetési döntések határozzák meg.
• a szervezeti (más néven funkcionális) időskálákat az erőforrások rendelkezésre állása, sokoldalúsága és alkalmazkodóképessége határozza meg
• a működési időskálákat a folyamat jellemzői és korlátai határozzák meg.

az időskáláknak, architektúráknak és céloknak a nyírási rétegekbe való ilyen egybeesése vitathatatlanul kulcsfontosságú sikertényező a Tudásmenedzsmentben.

Keresés és nyújtás

mint már említettük, a tudást célok vezérlik, és a célok, amelyek nem korlátozódnak domainekre vagy megőrzésekre, kötelesek kiterjeszteni a tudást az üzleti környezeteken és a szervezeti határokon. Ezt kereséssel, logikával és osztályozással lehet elérni.

• a keresések összegyűjtik a felhasználói aggályokra vonatkozó információkat (1). Ez kielégítheti az összes tudásigényt, vagy gerincet nyújthat a további kiterjesztéshez.
• a keresések kombinálhatók olyan ontológiákkal (más néven osztályozásokkal), amelyek ugyanazt az információt új fények (1b) alá helyezik.
• matematikai vagy formális nyelveket használó Igazságmegőrző műveletek alkalmazhatók származtatott információk előállítására (2).
• végül statisztikai feldolgozással új, csökkentett megbízhatósági szintű információk állíthatók elő (3,4).

például a díjköteles utakon megfigyelt forgalmat (1) számviteli célokra (2), a forgalom alakulásának előrejelzésére (3), a szezonális trendek elemzésére (1b), valamint a szezonális és változó autópályadíjak szimulálására (4) használják.

ezek a műveletek egyértelmű következményekkel járnak a tudásmenedzsment szempontjából:

amennyiben a számítási távolságok nem befolyásolják a megbízhatósági szintet, az igazságmegőrző műveletek semlegesek a KM tekintetében.

a besorolások szándékosan tervezett szimbolikus eszközök; következésképpen az osztályozáshoz kapcsolódó minden tudásnak a tervező felelőssége alatt kell maradnia.

kihívások akkor merülnek fel, amikor a megbízhatósági szinteket közvetlenül vagy elavulás befolyásolja. Mivel a döntéshozatal alapvetően a kockázatkezelésről szól, a részleges vagy megbízhatatlan információk kezelése nem kerülhető el. Ezért fontos a tudás kezelése a nyírási rétegek mentén, mindegyik saját információs életciklussal, bizalmi követelményekkel és döntéshozatali szabályokkal.

a Tudásarchitektúrától az építészeti képességig

a Tudásarchitektúra a vállalati központi idegrendszer, és mint ilyen, elsődleges szerepet játszik az operatív és irányítási folyamatok támogatásában. Ezt a pontot részben olyan keretek kezelik, mint a Zachman, amelynek mátrixa az Információs Rendszer architektúráját (ISA) a képességek és a tervezési szintek mentén szervezi. Mégis, amint azt a tervezési szintek is szemléltetik, a hangsúly továbbra is az információs technológián marad, anélkül, hogy kifejezetten foglalkozna a vállalkozások, a rendszerek és a platformok közötti különbséggel.

ez a megkülönböztetés kulcsfontosságú, mert szabályozza a megfelelő folyamatok, nevezetesen az üzleti folyamatok, a rendszertervezés és a szolgáltatásmenedzsment közötti különbséget. És amint a megkülönböztetés megfelelően megalapozott, a tudás architektúrája összehangolható a folyamatok értékelésével.

ez azonban nem lesz elég most, hogy a digitális környezetek behatolnak a vállalati rendszerekbe, elmosva a különbséget a kezelt információs eszközök és a big data folyamatos áramlása között.

ez a vállalati architektúrák két szerkezeti hibájára helyezi a hangsúlyt:

• az adatok, az információ és a tudás összetévesztése.
• a rendszerek és a tudásarchitektúrák közötti belső ellentmondás.

mindkettő legyőzhető a rendszer – és tudásarchitektúrák egyesítésével a Pagoda blueprint alkalmazásával:

a platformok, rendszerek funkcióinak és a vállalati szervezeteknek az adatokkal (környezetek), információkkal (szimbolikus ábrázolások) és ismeretekkel (üzleti intelligencia) való összehangolása nagymértékben javítaná a vállalkozások digitális környezetbe való bemerülése által kiváltott átalakulások nyomon követhetőségét.

Tudásábrázolás & profilozott ontológiák

a digitális üzleti környezetben a vállalkozásoknak a folyamatos és hatalmas adatbevitelből kell rendezniük a releváns és pontos információkat. Mivel a modellezési módszerek nem tudnak megbirkózni a kontextusok, aggodalmak, szemantika és formátumok nyílt skálájával, lazább sémákra van szükség, pontosan ez az ontológiák célja:

• tezaurusz: fogalmakat és fogalmakat lefedő ontológiák.
• dokumentumok: ontológiák, amelyek témákkal kapcsolatos dokumentumokat fednek le.
• üzleti: a releváns vállalati szervezetek és üzleti objektumok és tevékenységek ontológiái.
• mérnöki munka: szervezeti és üzleti objektumok és tevékenységek szimbolikus ábrázolása.

a profilozott ontológiákat ezután úgy lehet megtervezni, hogy az aggodalmak taxonómiáját összekapcsolják a kontextusokkal, pl:

• intézményi: szabályozó hatóság, állandó, változások a megállapított eljárások függvényében.
• szakmai: felek között megállapodott, állandó, az egyezmények függvényében változik.
• vállalati: vállalkozások által meghatározott, belső döntéshozataltól függő változások.
• társadalmi: használat, Illékony, folyamatos és informális változások határozzák meg.
• személyes: szokásos, megnevezett személyek határozzák meg (pl. kutatási cikk).

végül, de nem utolsósorban a külső (szabályozási, üzleti, …) és belső (azaz vállalati architektúra) ontológiák integrálhatók, például a Zachman keretrendszerrel:

a profilozott ontológiák használata a vállalati architektúra és a vállalati ismeretek kezeléséhez segít összehangolni a tudásmenedzsmentet az EA irányításával azáltal, hogy elkülöníti a külsőleg meghatározott ontológiákat (pl. szabályok), a döntéshozatalban, a stratégiai (pl. lemezforma) vagy a taktikai (pl. partnerségek).

egy ontológiai kernelt fejlesztettek ki a koncepció bizonyítékaként a prot Xhamg Kb/OWL 2 használatával; béta verzió áll rendelkezésre a Stanford/Protokolltömbből a portálon a következő linkkel: Caminao ontológiai Kernel (CaKe).

az Adatelemzéstől a mély tanulásig

az egyik oldalon az adatok mindent átfogó támadása, a másik oldalon az átfogó intelligens botok között az információs rendszerek elveszíthetik identitásukat és céljukat. És ennek jó oka van, nevezetesen az adatok, az információ és a tudás közötti összetévesztés.

ahogy ez aeonokkal ezelőtt történt, az ontológiák kifejezetten foglalkoztak ezzel a kérdéssel.

további olvasmányok

• rendszerek, információ, tudás
• ontológiák & modellek
• Caminao ontológiai Kernel (Protoközvetítő/Owl 2)
• ontológiák & vállalati architektúra
• ontológiák mint termelési eszközök
• vállalatirányítás & tudás
• agilis együttműködés & társadalmi kreativitás
• a kerék Újrafeltalálása
• alternatív tények & kiterjesztett valóság
• AlphaGo: Az intuitív tanulástól a holisztikus tudásig
• AlphaGo & nem nulla összegű versenyek
• Új Év: 2016 az egyik tanulni
• kormányzás, Szabályozás & kockázatok
• események & döntéshozatal
• operatív intelligencia & döntéshozatal
• adatbányászat & követelmények elemzése
• EA: entrópia ellenszere
• üzleti agilitás vs rendszerek entrópia