Knowledge Architecture

«Ingenting som er verdt å vite kan læres»

Oscar Wilde

Mål

som illustrert Av Symbolic Systems Program (SSP) Ved Stanford University, fremskritt innen databehandling og kommunikasjonsteknologi bringe informasjon og kunnskapssystemer under en enkelt funksjonell taket, nemlig behandling av symbolske representasjoner.

Innenfor den forståelsen vil Man forvente Kunnskapsstyring for å skygge systemarkitekturer og bekymringer: forretningskontekster og mål, bedriftsorganisasjon og drift, systemfunksjoner og teknologier. På den annen side, kunnskap som av natur er en felles ressurs av gjenbrukbare eiendeler, bør organisasjonen støtte behovene til sine ulike brukere uavhengig av informasjonens opprinnelse og natur. Kunnskapsforvaltning bør derfor binde kunnskap om arkitekturer med arkitektur av kunnskap.

Kunnskapsrepresentasjon

I sin sentrale artikkel Satte Davis, Shrobe og Szolovits fem prinsipper for kunnskapsrepresentasjon:

1. Surrogat: KR gir en symbolsk motstykke til faktiske objekter, hendelser og relasjoner.
2. Ontologiske forpliktelser: EN KR er et sett med uttalelser om kategoriene av ting som kan eksistere i domenet under vurdering.
3. Fragmentarisk teori om intelligent resonnement: EN KR er en modell for hva tingene kan gjøre eller kan gjøres med.
4. Medium for effektiv beregning: å gjøre kunnskap forståelig av datamaskiner er et nødvendig skritt for enhver læringskurve.
5. Medium for menneskelig uttrykk: EN FORUTSETNING ER å forbedre kommunikasjonen mellom spesifikke domeneeksperter på den ene siden, generiske kunnskapsforvaltere på den andre siden.

som setter informasjonssystemer som et spesielt tilfelle av kunnskap, da de oppfyller de fem prinsippene, men med en funksjonell kvalifikasjon:

• som kunnskapssystemer håndterer informasjonssystemer symbolske representasjoner av eksterne objekter, hendelser eller aktiviteter som påstås å være relevante.
• Systemmodeller er påstander om legitime forretningsobjekter og operasjoner.
• på samme måte er informasjonssystemer ment å støtte effektiv beregning og brukervennlige interaksjoner.

den eneste forskjellen handler om kobling: i motsetning til kunnskapssystemer spiller informasjon og kontroll en rolle i deres sammenheng, og operasjoner på surrogater er ikke nøytrale.

Kunnskaps Arkeologi

kunnskapskonstruksjoner er tomme bokser som må være riktig fylt med fakta. Men, som notorisk utstilt av de alternative, fakta er ikke gitt, men må observeres, som nødvendigvis innebærer noen observatør, satt på oppgave hvis ikke med egeninteresser, og noen apparater, naturlig eller laget med vilje. Og hvis de skal registreres, må selv «rene» fakta observert gjennom uskyldige barns blotte øyne bli oversatt til noen symbolsk representasjon.

vindsokker støtter umiddelbar observasjon av fakta, uten noen symbolsk betydning. For å få mening om deres oppførsel, er wanes og anemometre nødvendige, henholdsvis for azimut og fart; men det krever også symbolske rammer for retninger og beregninger. Til slutt kan kunnskap om risikoen for sterk vind legges til når slike risikoer må vurderes.

når det gjelder bedrifter, skal kunnskapsbokser fylles med fakta om deres forretningskontekst og prosesser, organisasjon og applikasjoner og tekniske plattformer. Noen av dem vil bli produsert internt, andre hentet fra eksterne kilder, men alle skal styres uavhengig av spesifikke formål.

uansett deres natur (virksomhet, organisasjon eller systemer), er informasjon produsert av foretakene selv, fra begynnelsen, klar til bruk, i.organisert rundt identifiserte objekter eller prosesser, med definerte strukturer og semantikk.

det er ikke nødvendigvis tilfelle med data som reflekterer eksterne sammenhenger (markeder, forskrifter, teknologi, etc) som må kartlegges bedriftens bekymringer og mål før de blir til nytte.

at oversettelse av data til informasjon kan gjøres umiddelbart ved å kartlegge datasemantikk til identifiserte objekter og prosesser; det kan også bli forsinket, med grove data administrert som sådan til de blir brukt på et senere tidspunkt for å bygge informasjon.

Fra Data Til Informasjon

Informasjon er meningsfylt, data er ikke. Selv «fakta» er ikke manna fra himmelen, men må formes fra fenomener til data og deretter informasjon, som epitomisert av binære, fragmenterte eller» store » data.

• Binære data er direkte opptak av fysiske fenomener, f.eks.lyder eller bilder; selv når de indekseres med nøkkelord, forblir De ubrukelige inntil de assosieres, som ikke-symbolske egenskaper, til identifiserte objekter eller aktiviteter.
• i Motsetning til binære data kommer fragmenterte data i symbolsk form, men som flytende nuggets med sub-nivå granularitet; og som deres binære fetter er de finkornede beskrivelsene meningsløse til de er festet til identifiserte objekter eller aktiviteter.
• «Store» data forstås vanligvis når det gjelder skalerbarhet, da det refererer til klumper som er for store til å behandles individuelt. Det kan også defineres som en generalisering av fragmenterte data, med identifiserte mål omgruppert til mer meningsfulle aggregater, og flytter målrettet granularitet opp i skalaen til noe «overveldende» nivå.

siden kunnskap kun kan bygges ut fra symbolske beskrivelser, må data først oversettes til informasjon laget av identifiserte og strukturerte enheter med tilhørende semantikk.

I Møte med «grove» (aka ubehandlede) data, kan kunnskapsforvaltere velge mellom to retningslinjer: informasjon kan «utvinnes» fra data ved hjelp av statistiske midler, eller informasjonstrinnet bare omgås og data direkte brukt (aka tolket) av» kunnskapsrike » agenter i henhold til deres kontekst og bekymringer.

faktisk er begge politikkene avhengige av kunnskapsrike agenter, spørsmålet er hvem som er «gruvearbeidere» og hva de burde vite. Teoretisk sett kan gruvearbeidere være fullt automatiserte verktøy som kan trekke ut mønstre av relevant informasjon fra grove data uten forutgående informasjon; praktisk talt må slike verktøy mates med noen tidligere «intelligens» om hva som skal søkes, for eksempel prøver for nevronnettverk eller variabler for statistisk regresjon. Derfor behovet for noen form for formater, tegninger eller maler som vil bidra til å ramme grove data til informasjon.

Informasjonsegenskaper

Kunnskap må bygges ut fra nøyaktig og oppdatert informasjon om ekstern og intern tilstand, og for dette formål må informasjonsposter forvaltes i henhold til deres kilde, natur, livssyklus og relevans:

• Kilde: Myndigheter og administrasjoner, NGO, bedriftsmedier, sosiale medier, bedrifter, systemer, etc.
• Natur: hendelser, beslutninger, data, meninger, vurderinger, etc.
• type anker: individ, institusjon, tid, rom, etc.
• Livssyklus: øyeblikkelig, tidsrelatert, endelig.
• Relevans: sporbarhet med hensyn til forretningsmål, forretningsdrift, organisasjon og systemadministrasjon.

på grunnlag av dette må knowledge management kartlegge kunnskap til informasjonsfotavtrykk når det gjelder pålitelighet (kilde, nøyaktighet, konsistens, forældelse osv.)

Fra Informasjon Til Kunnskap

Informasjon er meningsfylt, kunnskap er også nyttig. Som informasjonsmodeller må kunnskapsrepresentasjoner først forankres til vedholdenhet og utførelsesenheter for å støtte konsistensen og kontinuiteten i surrogatidentiteter (prinsipp #1).

disse ankrene skal tilordnes domener som forvaltes av enkeltorganisasjonsenheter med ansvar for ontologiske forpliktelser, og beriket med strukturer, funksjoner og foreninger (prinsipp #2). Avhengig av omfang, struktur eller funksjon, skal semantikk administreres henholdsvis av vedvarende eller applikasjonsdomener.

på samme måte kan ontologier målrette objekter eller aspekter, den førstnevnte er knyttet til strukturelle undertyper, sistnevnte med funksjonelle.

Forskjeller mellom informasjonsmodeller og kunnskapsrepresentasjon vises med regler og begrensninger. Mens målet med informasjons-og kontrollsystemer er å håndtere forretningsobjekter og aktiviteter, er formålet med kunnskapssystemer å håndtere symbolsk innhold uavhengig av deres faktiske kolleger (prinsipp #3).

Standardregler som brukes i systemmodellering beskriver tillatte operasjoner på objekter, aktiviteter og tilhørende informasjon; De kan uttrykkes fremover eller bakover:

• Forward (aka push) regler er vilkår for når og hvordan operasjoner skal utføres.
• Bakover (aka pull) regler er begrensninger på konsistensen av symbolske representasjoner eller på utførelse av operasjoner.

Forutsatt en kontinuitet mellom informasjons-og kunnskapsrepresentasjoner, vil bøyningspunktet bli preget av innføring av modaliteter som brukes til kvalifiserte sannhetsverdier, f. eks.:

• Temporale utvidelser vil sette tidsstempler på sannhetsverdier av informasjon.
• Fuzzy logic sette tillit nivåer på sannheten verdier av informasjon.

det er der kunnskapssystemer avviker fra informasjon og kontroll som de introduserer en ny teori om intelligent resonnement, en basert på kunnskapens flyt og volatilitet.

Betydninger er I Hendene På Beholders

Sett i en bedriftssammenheng kan kunnskap forstås som informasjon innrammet av sammenhenger og drevet av formål: hvordan drive en bedrift, hvordan utvikle applikasjoner, hvordan håndtere systemer. Derav dual perspektiv: på den ene siden informasjon er styrt av bedriftens bekymringer, systemer funksjonalitet, og plattformer teknologi; på den annen side er kunnskap drevet av forretningsprosesser, systemteknikk og tjenesteadministrasjon.

det gir en klar og omfattende taksonomi av gjenstander, som skal brukes til å bygge kunnskap fra lavere lag med informasjon og data:

• Forretningsanalytikere må vite om forretningsdomener og aktiviteter, organisering og applikasjoner, og kvaliteten på tjenesten.
• systemingeniører må vite om prosjekter, systemfunksjoner og plattformimplementeringer.
• Systemadministratorer må vite om steder og operasjoner, tjenester og plattformutplasseringer.

det doble perspektivet peker også på kunnskapens dynamikk, med informasjon som blir presset av kildene, og kunnskap blir trukket av brukerne.

En Tid For Alle Formål

som forstått Av Kybernetikk, bedrifter er levedyktige systemer som suksess avhenger av deres evne til å countermand entropi, jeg.den progressive nedgraderingen av informasjonen som brukes til å styre interaksjoner både i organisasjonen selv og med miljøet.

sammenlignet med arkitekturkunnskap, som er organisert i henhold til informasjonsinnhold, er kunnskapsarkitektur organisert i henhold til funksjonelle bekymringer og informasjonslevetid, og målet er å holde intern og ekstern informasjon synkronisert:

• Planlegging av forretningsmål og krav (internt) i forhold til markedsutvikling og muligheter (eksternt).
• Vurdering av organisatoriske enheter og prosedyrer (internt) i tråd med regulatoriske og kontraktsmessige miljøer (eksternt).
• Overvåking av drift og prosjekter (internt) sammen med salgs-og forsyningskjeder (eksternt).

det setter betydninger (det ville være kunnskap) i hendene på beslutningstakere, henholdsvis for bedriftsstrategi, organisasjon og drift. Videre er bedrifter som er levende enheter, levetid og funksjonell bærekraft ment å samle seg i konsistente og homogene lag:

• Enterprise (aka business, aka strategic) tidsskalaer er definert av miljøer, mål og investeringsbeslutninger.
• Organisasjons (aka funksjonelle) tidsskalaer bestemmes av tilgjengelighet, allsidighet og tilpasningsevne av ressurser
• operasjonelle tidsskalaer bestemmes av prosessfunksjoner og begrensninger.

en slik kongruens av tidsskalaer, arkitekturer og formål i Skjærlag er uten tvil en viktig suksessfaktor For Kunnskapshåndtering.

Søk Og Strekk

som allerede nevnt, er kunnskap drevet av formål, og formål, som ikke er begrenset til domener eller bevarer, er bundet til å strekke kunnskap på tvers av forretningskontekster og organisatoriske grenser. Det kan oppnås gjennom søk, logikk og klassifisering.

• Søk samler inn informasjon som er relevant for brukernes bekymringer (1). Det kan tilfredsstille alle kunnskapsbehov, eller gi en ryggrad for videre forlengelse.
• Søk kan kombineres med ontologier (aka klassifikasjoner) som legger samme informasjon under nye lys (1b).
• Sannhetsbevarende operasjoner ved hjelp av matematikk eller formelle språk kan brukes til å produsere avledet informasjon (2).
• endelig kan ny informasjon med reduserte konfidensnivåer produseres gjennom statistisk behandling (3,4).

for eksempel brukes observert trafikk på bomveier (1) til regnskapsmessige formål (2), for å forutsi trafikkutvikling (3), for å analysere sesongmessige trender (1b) og simulere sesongmessige og variable bompenger (4).

disse operasjonene medfører klare konsekvenser for kunnskapsforvaltningen:

så langt beregningsavstander ikke påvirker konfidensnivået, er sannhetsbevarende operasjoner nøytrale med HENSYN TIL KM.

Klassifiseringer er symbolske verktøy designet med hensikt; som en konsekvens bør all kunnskap knyttet til en klassifisering forbli under ansvaret til designeren.

Utfordringer oppstår når konfidensnivået påvirkes, enten direkte eller gjennom foreldelse. Og siden beslutningstaking i hovedsak handler om risikostyring, kan det ikke unngås å håndtere delvis eller upålitelig informasjon. Derfor er det viktig å administrere kunnskap langs skjærlag, hver med sin egen informasjon livssyklus, tillit krav,og beslutningsregler.

Fra Kunnskapsarkitektur Til Arkitekturkapasitet

Kunnskapsarkitektur er bedriftens sentrale nervesystem, og som sådan spiller Den en primær rolle i støtten til operasjonelle og ledelsesmessige prosesser. Det punktet er delvis adressert Av Rammer Som Zachman hvis matrise organiserer Information System Architecture (ISA) langs evner og designnivåer. Likevel, som illustrert av designnivåene, forblir fokuset på informasjonsteknologi uten eksplisitt å ta opp skillet mellom bedrift, systemer og plattformer.

det skillet er sentralt fordi det styrer skillet mellom tilsvarende prosesser, nemlig forretningsprosesser, systemteknikk og tjenestestyring. Og når skillet er riktig etablert kunnskap arkitektur kan justeres med prosesser vurdering.

men Det vil Ikke være nok nå som digitale miljøer invaderer bedriftssystemer, visker ut skillet mellom administrerte informasjonsmidler og den kontinuerlige strømmen av store data.

Det setter fokus på to strukturelle feil i bedriftens arkitekturer:

• forvirringen mellom data, informasjon og kunnskap.
• det indre avviket mellom systemer og kunnskapsarkitekturer.

Begge kan overvinnes ved å slå sammen system-og kunnskapsarkitekturer som bruker Pagoda blueprint:

justeringen av plattformer, systemfunksjoner og bedriftsorganisasjon med henholdsvis data (miljøer), informasjon (symbolske representasjoner) og kunnskap (business intelligence) vil i stor grad forbedre sporbarheten av transformasjoner indusert av nedsenking av bedrifter i digitale miljøer.

Kunnskapsrepresentasjon & Profilerte Ontologier

i møte med digitale forretningsmiljøer må bedriften sortere relevant og nøyaktig informasjon ut av kontinuerlig og massiv tilstrømning av data. Som modelleringsmetoder ikke kan takle det åpne spekteret av sammenhenger, bekymringer, semantikk og formater, er det nødvendig med løsere ordninger, det er nettopp hva ontologier er ment å gjøre:

• Tesaurus: ontologier som dekker begreper og begreper.
• Dokumenter: ontologier som dekker dokumenter med hensyn til emner.
• Virksomhet: ontologier av relevante bedriftsorganisasjoner og forretningsobjekter og aktiviteter.
• Engineering: symbolsk representasjon av organisasjon og forretningsobjekter og aktiviteter.

Profilerte ontologier kan da utformes ved å kombinere den taksonomien av bekymringer med sammenhenger, f. eks.:

• Institusjonell: Regulerende myndighet, jevn, endringer underlagt etablerte prosedyrer.
• Profesjonell: Avtalt mellom partene, jevn, endringer underlagt avtalen.
• Bedrift: Definert av bedrifter, endringer underlagt interne beslutninger.
• Sosialt: Definert av bruk, flyktige, kontinuerlige og uformelle endringer.
• Personlig: Vanlig, definert av navngitte personer(f. eks.

sist men Ikke minst kan eksterne (regulatoriske, bedrifter, …) og interne (dvs.bedriftsarkitektur) ontologier integreres, for Eksempel Med zachman-rammeverket:

bruk av profilerte ontologier for å administrere bedriftsarkitektur og bedriftskunnskap vil bidra til å justere kunnskapshåndtering med EAS styring ved å skille ut ontologier definert eksternt (f.eks.forskrifter), fra de som er satt gjennom beslutningstaking, strategisk (f.eks. plate-form) eller taktisk (f. eks. partnerskap).

En ontologisk kjerne er utviklet som Et Bevis på Konseptet ved Hjelp Av Prot59gé/OWL 2; en betaversjon er tilgjengelig for kommentarer Til Stanford/Prot59g Hryvnias Portal med lenken: Caminao Ontological Kernel (CaKe).

fra Dataanalyse Til Dyp Læring

Sett mellom altomfattende angrep av data på den ene siden, gjennomgripende smarte bots på den andre siden, kan informasjonssystemer miste sin identitet og hensikt. Og det er en god grunn til det, nemlig forvirringen mellom data, informasjon og kunnskap.

Som det skjedde for evigheter siden, har ontologier vært eksplisitt skjønt opp for å håndtere det problemet.

Videre Lesing

• Systemer, Informasjon, Kunnskap
• Ontologier & Modeller
• Caminao Ontologisk Kjerne (Prot543> Uwl 2)
• Ontologier & Bedriftsarkitektur
• Ontologier som Produktive Aktiva
• virksomhetsstyring & Kunnskap
• Smidig Samarbeid & Sosial Kreativitet
• Gjenoppfinne Hjulet
• Alternative Fakta & Utvidet virkelighet
• alphago: Fra Intuitiv Læring Til Holistisk Kunnskap
• AlphaGo & Ikke-Null-Sum Konkurranser
• Nyttår: 2016 er Den Som Skal Lære
• Styring, Forskrifter & Risikoer
• Hendelser & Beslutningsprosesser
• Operasjonell Intelligens & Beslutningsprosesser
• Data Mining & Krav Analyse
• Ea: Entropi Motgift
• business agility vs systemer entropi