Architettura della Conoscenza

“Nulla di ciò che c’è da sapere può essere insegnato”

Oscar Wilde

Obiettivo

, Come illustrato dai Sistemi Simbolici Programma (SSP) presso la Stanford University, i progressi nel campo dell’informatica e delle tecnologie di comunicazione di portare informazione e della conoscenza sistemi sotto un unico tetto funzionale, vale a dire l’elaborazione di rappresentazioni simboliche.

All’interno di tale comprensione ci si aspetta che la gestione della conoscenza protegga le architetture e le preoccupazioni dei sistemi: contesti e obiettivi aziendali, organizzazione e operazioni aziendali, funzionalità e tecnologie dei sistemi. D’altra parte, essendo la conoscenza per natura una risorsa condivisa di risorse riutilizzabili, la sua organizzazione dovrebbe supportare le esigenze dei suoi diversi utenti indipendentemente dall’origine e dalla natura delle informazioni. La gestione della conoscenza dovrebbe quindi legare la conoscenza delle architetture con l’architettura della conoscenza.

Rappresentazione della conoscenza

Nel loro articolo fondamentale Davis, Shrobe e Szolovits hanno stabilito cinque principi per la rappresentazione della conoscenza:

1. Surrogate: KR fornisce una controparte simbolica di oggetti reali, eventi e relazioni.
2. Impegni ontologici: un KR è un insieme di affermazioni sulle categorie di cose che possono esistere nel dominio in esame.
3. Teoria frammentaria del ragionamento intelligente: un KR è un modello di ciò che le cose possono fare o possono essere fatte con.
4. Mezzo per un calcolo efficiente: rendere la conoscenza comprensibile dai computer è un passo necessario per qualsiasi curva di apprendimento.
5. Medium for human expression: uno dei prerequisiti del KR è quello di migliorare la comunicazione tra esperti di dominio specifici da un lato, gestori di conoscenze generiche dall’altro.

Che pone i sistemi informativi come un caso speciale di conoscenza, in quanto soddisfano i cinque principi, ma con una qualificazione funzionale:

• Come i sistemi di conoscenza, i sistemi informativi gestiscono rappresentazioni simboliche di oggetti esterni, eventi o attività che si presume siano rilevanti.
• I modelli di sistema sono asserzioni riguardanti oggetti e operazioni aziendali legittimi.
• Allo stesso modo, i sistemi informativi sono pensati per supportare un calcolo efficiente e interazioni user-friendly.

L’unica differenza riguarda l’accoppiamento: contrariamente ai sistemi di conoscenza, quelli di informazione e controllo svolgono un ruolo nel loro contesto e le operazioni sui surrogati non sono neutrali.

Archeologia della conoscenza

I costrutti della conoscenza sono scatole vuote che devono essere adeguatamente riempite di fatti. Ma, come notoriamente esibito da quelli alternativi, i fatti non sono dati, ma devono essere osservati, che comporta necessariamente qualche osservatore, impostato su compito se non con interessi acquisiti, e qualche apparato, naturale o fatto apposta. E se devono essere registrati, anche i fatti” puri ” osservati attraverso gli occhi nudi di bambini innocenti dovranno essere tradotti in qualche rappresentazione simbolica.

Prendendo il vento come esempio, i calzini del vento supportano l’osservazione immediata dei fatti, libera da qualsiasi significato simbolico. Per dare un senso ai loro comportamenti, sono necessari calori e anemometri, rispettivamente per l’azimut e la velocità; ma ciò richiede anche quadri simbolici per direzioni e metriche. Infine, la conoscenza sui rischi di forti venti può essere aggiunto quando tali rischi devono essere considerati.

Per quanto riguarda le imprese, le scatole di conoscenza devono essere riempite con fatti sul loro contesto e processi aziendali, organizzazione e applicazioni e piattaforme tecniche. Alcuni di essi saranno prodotti internamente, altri ottenuti da fonti esterne, ma tutti dovrebbero essere gestiti indipendentemente da scopi specifici.

Qualunque sia la loro natura (attività, organizzazione o sistemi), le informazioni prodotte dalle imprese stesse sono, fin dall’inizio, pronte all’uso, i.e organizzato intorno a oggetti o processi identificati, con strutture e semantica definite.

Questo non è necessariamente il caso dei dati che riflettono contesti esterni (mercati, regolamenti, tecnologia, ecc.)

La traduzione dei dati in informazioni può essere eseguita immediatamente mappando la semantica dei dati su oggetti e processi identificati; può anche essere ritardata, con dati approssimativi gestiti come tali fino a quando non vengono utilizzati in una fase successiva per costruire informazioni.

Dai dati alle informazioni

Le informazioni sono significative, i dati no. Anche i ” fatti “non sono manna dal cielo, ma devono essere modellati dai fenomeni in dati e quindi informazioni, come sintetizzato da dati binari, frammentati o” grandi”.

• I dati binari sono la registrazione diretta di fenomeni fisici, ad esempio suoni o immagini; anche se indicizzati con parole chiave rimangono inutili fino a quando non vengono associati, come caratteristiche non simboliche, a oggetti o attività identificati.
• Contrariamente ai dati binari, i dati frammentati si presentano in forma simbolica, ma come pepite fluttuanti con granularità sub-livello; e come il loro cugino binario, quelle descrizioni a grana fine sono prive di significato fino a quando non vengono associate a oggetti o attività identificati.
• I dati”grandi” sono generalmente intesi in termini di scalabilità, in quanto si riferiscono a grumi troppo grandi per essere elaborati individualmente. Può anche essere definito come una generalizzazione di dati frammentati, con obiettivi identificati raggruppati in aggregati più significativi, spostando la granularità mirata sulla scala a un livello “travolgente”.

Poiché la conoscenza può essere costruita solo da descrizioni simboliche, i dati devono essere prima tradotti in informazioni fatte di unità identificate e strutturate con semantica associata.

Di fronte a dati “grezzi” (ovvero non elaborati), i knowledge manager possono scegliere tra due politiche: le informazioni possono essere “estratte” dai dati utilizzando mezzi statistici, o la fase informativa semplicemente bypassata e i dati utilizzati direttamente (ovvero interpretati) da agenti “esperti” in base al loro contesto e alle loro preoccupazioni.

In effetti, entrambe le politiche si basano su agenti esperti, la domanda è chi sono i “minatori” e cosa dovrebbero sapere. Teoricamente, i minatori potrebbero essere strumenti completamente automatizzati in grado di estrarre modelli di informazioni rilevanti da dati approssimativi senza alcuna informazione preventiva; in pratica, tali strumenti dovranno essere alimentati con una “intelligenza” precedente su ciò che dovrebbe essere cercato, ad esempio campioni per reti neuronali o variabili per la regressione statistica. Da qui la necessità di un qualche tipo di formati, progetti o modelli che aiuteranno a inquadrare dati grezzi in informazioni.

Proprietà delle informazioni

La conoscenza deve essere costruita a partire da informazioni accurate e aggiornate sullo stato delle cose esterno e interno e, a tal fine, gli elementi informativi devono essere gestiti in base alla loro origine, natura, ciclo di vita e pertinenza:

• Fonte: Governo e amministrazioni, ONG, media aziendali, social media, imprese, sistemi, ecc.
• Natura: eventi, decisioni, dati, opinioni, valutazioni, ecc.
• Tipo di ancoraggio: individuo, istituzione,tempo, spazio, ecc.
• Ciclo di vita: istantaneo, correlato al tempo, finale.
• Pertinenza: tracciabilità per quanto riguarda gli obiettivi aziendali, le operazioni aziendali, l’organizzazione e la gestione dei sistemi.

Su questa base, la gestione della conoscenza dovrà mappare la conoscenza alla sua impronta informativa in termini di affidabilità (fonte, accuratezza, coerenza, obsolescenza, ecc.) e rischi.

Dall’informazione alla conoscenza

L’informazione è significativa, la conoscenza è anche utile. Come modelli di informazione, le rappresentazioni della conoscenza devono prima essere ancorate alle unità di persistenza ed esecuzione al fine di supportare la coerenza e la continuità delle identità surrogate (principio #1).

Tali ancore devono essere assegnate a domini gestiti da singole unità organizzative incaricate di impegni ontologici, e arricchite con strutture, caratteristiche e associazioni (principio n.2). A seconda del loro ambito, struttura o caratteristica, la semantica deve essere gestita rispettivamente da domini persistenti o applicativi.

Allo stesso modo, le ontologie possono indirizzare oggetti o aspetti, il primo è associato a sottotipi strutturali, il secondo a quelli funzionali.

Le differenze tra i modelli di informazione e la rappresentazione della conoscenza appaiono con regole e vincoli. Mentre l’obiettivo dei sistemi di informazione e controllo è quello di gestire oggetti e attività aziendali, lo scopo dei sistemi di conoscenza è quello di gestire i contenuti simbolici indipendentemente dalle loro controparti reali (principio #3).

Le regole standard utilizzate nella modellazione del sistema descrivono le operazioni consentite su oggetti, attività e informazioni associate; possono essere espresse in avanti o indietro:

• Le regole Forward (aka push) sono condizioni su quando e come devono essere eseguite le operazioni.
• Le regole arretrate (aka pull) sono vincoli sulla coerenza delle rappresentazioni simboliche o sull’esecuzione delle operazioni.

Assumendo una continuità tra le rappresentazioni dell’informazione e della conoscenza, il punto di flesso sarebbe segnato dall’introduzione di modalità utilizzate per valori di verità qualificati, ad esempio secondo la logica temporale e fuzzy:

• Le estensioni temporali metteranno i timestamp sui valori di verità delle informazioni.
• La logica fuzzy mette i livelli di confidenza sui valori di verità delle informazioni.

È qui che i sistemi di conoscenza si discostano da quelli di informazione e controllo mentre introducono una nuova teoria del ragionamento intelligente, basata sulla fluidità e sulla volatilità della conoscenza.

I significati sono nelle mani di chi guarda

Visto in un contesto aziendale, la conoscenza può essere intesa come informazione inquadrata da contesti e guidata da scopi: come gestire un’azienda, come sviluppare applicazioni, come gestire i sistemi. Da qui la duplice prospettiva: da un lato le informazioni sono governate da preoccupazioni aziendali, funzionalità dei sistemi e tecnologia delle piattaforme; d’altra parte la conoscenza è guidata dai processi aziendali, dall’ingegneria dei sistemi e dalla gestione dei servizi.

Ciò fornisce una tassonomia chiara e completa degli artefatti, da utilizzare per costruire conoscenze da strati inferiori di informazioni e dati:

• Gli analisti aziendali devono conoscere i domini e le attività aziendali, l’organizzazione e le applicazioni e la qualità del servizio.
• Gli ingegneri di sistema devono conoscere i progetti, le funzionalità dei sistemi e le implementazioni della piattaforma.
• I gestori di sistema devono conoscere le posizioni e le operazioni, i servizi e le distribuzioni della piattaforma.

La doppia prospettiva indica anche le dinamiche della conoscenza, con l’informazione spinta dalle loro fonti e la conoscenza tirata dai loro utenti.

Un tempo per ogni scopo

Come inteso dalla cibernetica, le imprese sono sistemi vitali il cui successo dipende dalla loro capacità di contrastare l’entropia, i.e il progressivo declassamento delle informazioni utilizzate per governare le interazioni sia all’interno dell’organizzazione stessa che con il suo ambiente.

Rispetto alla conoscenza dell’architettura, che è organizzata in base ai contenuti informativi, l’architettura della conoscenza è organizzata in base alle preoccupazioni funzionali e alla durata dell’informazione, e il suo obiettivo è mantenere le informazioni interne ed esterne in sincronia:

• Pianificazione degli obiettivi e dei requisiti aziendali (interni) relativi all’evoluzione dei mercati e alle opportunità (esterne).
• Valutazione delle unità organizzative e delle procedure (interne) in linea con gli ambienti normativi e contrattuali (esterni).
• Monitoraggio delle operazioni e dei progetti (interni) insieme alle catene di vendita e di fornitura (esterne).

Che ha messo significati (che sarebbe la conoscenza) nelle mani dei decisori, rispettivamente per la strategia aziendale, l’organizzazione e le operazioni. Inoltre, le imprese essendo entità viventi, durata della vita e sostenibilità funzionale sono destinate a fondersi in strati coerenti e omogenei:

• Le scale temporali aziendali (aka business, aka strategic) sono definite da ambienti, obiettivi e decisioni di investimento.
• Organizzazione (aka funzionale) le scale temporali sono impostate dalla disponibilità, versatilità e adattabilità delle risorse
• Le scale temporali operative sono determinate dalle caratteristiche e dai vincoli del processo.

Tale congruenza di scale temporali, architetture e scopi in strati di taglio è probabilmente un fattore chiave di successo della gestione della conoscenza.

Search and Stretch

Come già notato, la conoscenza è guidata da scopi e gli scopi, non essendo limitati a domini o preserve, sono destinati a estendere la conoscenza attraverso i contesti aziendali e i confini organizzativi. Ciò può essere ottenuto attraverso la ricerca, la logica e la classificazione.

• Le ricerche raccolgono le informazioni relative alle preoccupazioni degli utenti (1). Ciò può soddisfare tutte le esigenze di conoscenza o fornire una spina dorsale per un’ulteriore estensione.
• Le ricerche possono essere combinate con ontologie (aka classificazioni) che mettono le stesse informazioni sotto nuove luci (1b).
• Le operazioni di conservazione della verità che utilizzano la matematica o i linguaggi formali possono essere applicate per produrre informazioni derivate (2).
• Infine, nuove informazioni con livelli di confidenza ridotti possono essere prodotte attraverso l’elaborazione statistica (3,4).

Ad esempio, il traffico osservato sulle strade a pedaggio (1) viene utilizzato a fini contabili (2), per prevedere l’evoluzione del traffico (3), per analizzare le tendenze stagionali (1b) e simulare i pedaggi stagionali e variabili (4).

Tali operazioni comportano chiare conseguenze per la gestione della conoscenza:

Per quanto riguarda le distanze computazionali non influenzano i livelli di confidenza, le operazioni di conservazione della verità sono neutrali per quanto riguarda il KM.

Le classificazioni sono strumenti simbolici progettati appositamente; di conseguenza tutte le conoscenze associate a una classificazione dovrebbero rimanere sotto la responsabilità del suo progettista.

Le sfide sorgono quando i livelli di fiducia sono influenzati, direttamente o attraverso l’obsolescenza. E poiché il processo decisionale riguarda essenzialmente la gestione dei rischi, non è possibile evitare di trattare informazioni parziali o inaffidabili. Da qui l’importanza di gestire la conoscenza lungo i livelli di taglio, ognuno con il proprio ciclo di vita delle informazioni, i requisiti di fiducia e le regole decisionali.

From Knowledge Architecture to Architecture Capability

Knowledge architecture è il sistema nervoso centrale aziendale, e come tale svolge un ruolo primario nel supporto dei processi operativi e gestionali. Questo punto è parzialmente affrontato da Framework come Zachman la cui matrice organizza l’architettura del sistema informativo (ISA) lungo funzionalità e livelli di progettazione. Tuttavia, come illustrato dai livelli di progettazione, l’attenzione rimane sulla tecnologia dell’informazione senza affrontare esplicitamente la distinzione tra impresa, sistemi e piattaforme.

Questa distinzione è fondamentale perché regola la distinzione tra i processi corrispondenti, vale a dire i processi aziendali, l’ingegneria dei sistemi e la gestione dei servizi. E una volta che la distinzione è correttamente stabilita, l’architettura della conoscenza può essere allineata con la valutazione dei processi.

Eppure non sarà sufficiente ora che gli ambienti digitali stanno invadendo i sistemi aziendali, offuscando la distinzione tra asset informativi gestiti e flussi continui di big data.

Ciò pone l’attenzione su due difetti strutturali delle architetture aziendali:

• La confusione tra dati, informazioni e conoscenza.
• La discrepanza intrinseca tra sistemi e architetture della conoscenza.

Entrambi possono essere superato dalla fusione di sistema e la conoscenza di architetture di applicare la Pagoda blueprint:

L’allineamento delle piattaforme, sistemi di funzionalità e di organizzazione aziendale, rispettivamente con i dati (ambienti), informazioni (rappresentazioni simboliche) e conoscenza (business intelligence) vorresti migliorare notevolmente la tracciabilità delle trasformazioni indotte dall’immersione delle imprese in ambienti digitali.

Rappresentazione della conoscenza& Ontologie profilate

Di fronte agli ambienti aziendali digitali, le aziende devono ordinare informazioni pertinenti e accurate da flussi continui e massicci di dati. Poiché i metodi di modellazione non possono far fronte alla gamma aperta di contesti, preoccupazioni, semantica e formati, sono necessari schemi più flessibili, questo è esattamente ciò che le ontologie sono destinate a fare:

• Thesaurus: ontologie che coprono termini e concetti.
• Documenti: ontologie che coprono documenti riguardanti argomenti.
• Affari: ontologie di organizzazione aziendale rilevante e oggetti e attività aziendali.
• Ingegneria: rappresentazione simbolica di oggetti e attività di organizzazione e di business.

Le ontologie profilate possono quindi essere progettate combinando quella tassonomia delle preoccupazioni con i contesti, ad esempio:

• Istituzionale: Autorità di regolamentazione, costante, modifiche soggette a procedure stabilite.
• Professionale: Concordato tra le parti, costante, modifiche soggette a accordi.
• Corporate: Definito dalle imprese, modifiche soggette al processo decisionale interno.
• Sociale: definito dall’uso, dai cambiamenti volatili, continui e informali.
• Personale: abituale, definito da individui nominati (ad esempio documento di ricerca).

Ultimo ma non meno importante, le ontologie esterne (normative, aziende, businesses) e interne (cioè architettura aziendale) potrebbero essere integrate, ad esempio con il framework Zachman:

L’utilizzo di ontologie profilate per gestire l’architettura aziendale e la conoscenza aziendale aiuterà ad allineare la gestione della conoscenza con la governance di EA separando ontologie definite esternamente (ad esempio regolamenti), da quelle stabilite attraverso il processo decisionale, strategiche (ad esempio plate-form) o tattiche (ad esempio partnership).

Un kernel ontologico è stato sviluppato come Proof of Concept utilizzando Protégé/OWL 2; una versione beta è disponibile per i commenti sul portale Stanford/Protégé con il link: Caminao Ontological Kernel (CaKe).

Dall’analisi dei dati al Deep Learning

Tra l’assalto all-inclusive dei dati da un lato, i robot intelligenti pervasivi dall’altro, i sistemi informativi potrebbero perdere la loro identità e scopo. E c’è una buona ragione per questo, vale a dire la confusione tra dati, informazioni e conoscenza.

Come è successo eoni fa, le ontologie sono state esplicitamente in grado di affrontare questo problema.

bibliografia

• Sistemi di Informazione, la Conoscenza
• Ontologie & Modelli
• Caminao Ontologica del Kernel (Pupillo/OWL 2)
• Ontologie & Enterprise Architecture
• Ontologie come Attività Produttive
• Enterprise Governance & Conoscenza
• Agile Collaborazione & Creatività Sociale
• Reinventare la ruota
• Alternativa Fatti & la Realtà Aumentata
• AlphaGo: Da Intuitiva Apprendimento Olistico Conoscenza
• AlphaGo & a Somma Non Zero Concorsi
• Nuovo Anno: 2016 è Quello di Imparare
• Governance, Regolamenti & Rischi
• Eventi & il processo Decisionale
• Intelligenza Operativa & il processo Decisionale
• Data Mining & Analisi dei Requisiti
• EA: Entropia Antidoto
• l’Agilità del Business vs Sistemi di Entropia