Architektura wiedzy

„nic, co warto wiedzieć, nie może być nauczane”

Oscar Wilde

cel

jak ilustruje program Symbolic Systems (ssp) na Uniwersytecie Stanforda, postępy w technologiach informatycznych i komunikacyjnych przenoszą systemy informacji i wiedzy pod jeden funkcjonalny dach, a mianowicie przetwarzanie symbolicznych reprezentacji.

w ramach tego zrozumienia można oczekiwać, że zarządzanie wiedzą będzie szło w cień architektur i problemów systemów: kontekstów i celów biznesowych, organizacji i operacji przedsiębiorstwa, funkcjonalności i technologii systemów. Z drugiej strony, wiedza będąca z natury wspólnym zasobem zasobów wielokrotnego użytku, jej organizacja powinna wspierać potrzeby różnych użytkowników niezależnie od pochodzenia i charakteru informacji. Zarządzanie wiedzą powinno zatem wiązać wiedzę o architekturach z architekturą wiedzy.

Reprezentacja wiedzy

w swoim kluczowym artykule Davis, Shrobe i Szolovits ustalili pięć zasad reprezentacji wiedzy:

1. surogat: KR stanowi symboliczny odpowiednik rzeczywistych przedmiotów, zdarzeń i relacji.
2. zobowiązania ontologiczne: KR jest zbiorem stwierdzeń o kategoriach rzeczy, które mogą istnieć w rozważanej dziedzinie.
3. fragmentaryczna teoria rozumowania inteligentnego: KR jest modelem tego, co można zrobić lub można zrobić.
4. Medium do wydajnych obliczeń: uczynienie wiedzy zrozumiałą przez komputery jest niezbędnym krokiem dla każdej krzywej uczenia się.
5. Medium dla ludzkiej ekspresji: po pierwsze warunkiem KR jest poprawa komunikacji między specjalistami od konkretnych dziedzin z jednej strony, menedżerami wiedzy ogólnej z drugiej strony.

, które stawia systemy informatyczne jako szczególny przypadek wiedzy, ponieważ spełniają pięć zasad, ale z kwalifikacją funkcjonalną:

• podobnie jak systemy wiedzy, systemy informacyjne zarządzają symbolicznymi reprezentacjami zewnętrznych obiektów, zdarzeń lub działań rzekomo istotnych.
• modele systemowe to twierdzenia dotyczące legalnych obiektów biznesowych i operacji.
• podobnie systemy informatyczne mają wspierać wydajne obliczenia i przyjazne dla użytkownika interakcje.

jedyna różnica polega na sprzężeniu: w przeciwieństwie do systemów wiedzy, systemy informacyjne i kontrolne odgrywają rolę w ich kontekście, a operacje na surogatach nie są neutralne.

wiedza Archeologia

konstrukcje wiedzy to puste pola, które muszą być odpowiednio wypełnione faktami. Ale, jak notorycznie pokazują te alternatywne, fakty nie są podane, ale muszą być przestrzegane, co koniecznie pociąga za sobą jakiegoś obserwatora, ustawionego na zadanie, jeśli nie z żywotnymi interesami, i jakiś aparat, naturalny lub celowo wykonany. A jeśli mają być rejestrowane, nawet” czyste ” fakty obserwowane gołymi oczami niewinnych dzieci będą musiały zostać przetłumaczone na jakąś symboliczną reprezentację.

biorąc za przykład wiatr, skarpety wiatrowe wspierają natychmiastową obserwację faktów, bez żadnego znaczenia symbolicznego. Aby zrozumieć ich zachowania, potrzebne są zaniki i Anemometry, odpowiednio dla azymutu i prędkości; ale wymaga to również symbolicznych ram dla kierunków i metryk. Wreszcie, wiedza na temat zagrożeń związanych z silnymi wiatrami może być dodana, gdy takie zagrożenia muszą być brane pod uwagę.

jeśli chodzi o przedsiębiorstwa, skrzynki wiedzy muszą być wypełnione faktami na temat ich kontekstu biznesowego i procesów, organizacji i aplikacji oraz platform technicznych. Niektóre z nich będą produkowane wewnętrznie, inne pozyskiwane ze źródeł zewnętrznych, ale wszystkie powinny być zarządzane niezależnie od konkretnych celów.

bez względu na ich charakter (biznes, organizacja lub systemy), informacje wytwarzane przez same przedsiębiorstwa są od samego początku gotowe do użycia, tj.e zorganizowane wokół zidentyfikowanych obiektów lub procesów, z określonymi strukturami i semantyką.

niekoniecznie ma to miejsce w przypadku danych odzwierciedlających kontekst zewnętrzny (rynki, przepisy, technologia itp.), które muszą być odwzorowane na obawy i cele przedsiębiorstw, zanim zostaną użyte.

tłumaczenie danych na informacje można wykonać natychmiast, mapując semantykę danych na zidentyfikowane obiekty i procesy; może to również być opóźnione, z szorstkimi danymi zarządzanymi jako takie, aż do wykorzystania na późniejszym etapie do budowania informacji.

od danych do informacji

informacje są znaczące, dane nie są. Nawet ” fakty „nie są manną z nieba, ale muszą być kształtowane ze zjawisk w dane, a następnie informacje, jak uosabiane przez binarne, fragmentowane lub” duże ” dane.

• dane binarne są bezpośrednim zapisem zjawisk fizycznych, np. dźwięków lub obrazów; nawet indeksowane słowami kluczowymi pozostają bezużyteczne, dopóki nie zostaną powiązane, jako cechy nie symboliczne, ze zidentyfikowanymi obiektami lub działaniami.
• w przeciwieństwie do danych binarnych, pofragmentowane dane występują w postaci symbolicznej, ale jako pływające bryłki o ziarnistości podpoziomu; i podobnie jak ich binarny kuzyn, te drobnoziarniste opisy są bez znaczenia, dopóki nie zostaną dołączone do zidentyfikowanych obiektów lub działań.
• „Duże” dane są zwykle rozumiane pod względem skalowalności, ponieważ odnoszą się do brył zbyt dużych, aby mogły być przetwarzane indywidualnie. Można go również zdefiniować jako uogólnienie fragmentarycznych danych, z zidentyfikowanymi celami przegrupowanymi w bardziej znaczące Agregaty, przesuwając ukierunkowaną ziarnistość w górę skali do pewnego „przytłaczającego” poziomu.

ponieważ wiedza może być zbudowana tylko z symbolicznych opisów, dane muszą być najpierw przetłumaczone na informacje złożone ze zidentyfikowanych i ustrukturyzowanych jednostek z powiązaną semantyką.

w obliczu „szorstkich” (czyli nieprzetworzonych) danych menedżerowie wiedzy mogą wybierać między dwiema zasadami: Informacje mogą być „wydobywane” z danych za pomocą środków statystycznych lub etap informacyjny po prostu pominięty, a dane bezpośrednio używane (czyli interpretowane) przez „kompetentnych” agentów zgodnie z ich kontekstem i obawami.

w rzeczywistości obie polityki polegają na kompetentnych agentach, pytanie brzmi, kim są „górnicy” i co powinni wiedzieć. Teoretycznie, górnicy mogą być w pełni zautomatyzowanymi narzędziami zdolnymi do wyodrębniania wzorców istotnych informacji z szorstkich danych bez uprzedniej informacji; praktycznie takie narzędzia będą musiały być karmione pewną wcześniejszą „inteligencją” dotyczącą tego, czego należy szukać, np. próbek do sieci neuronalnych lub zmiennych do regresji statystycznej. Stąd potrzeba pewnego rodzaju formatów, schematów lub szablonów, które pomogą w ramowaniu szorstkich danych w informacje.

właściwości informacyjne

wiedza musi być zbudowana na podstawie dokładnych i aktualnych informacji dotyczących zewnętrznego i wewnętrznego stanu rzeczy, a w tym celu Elementy informacji muszą być zarządzane zgodnie z ich źródłem, naturą, cyklem życia i trafnością:

• źródło: rząd i administracja, organizacje pozarządowe, Media korporacyjne, media społecznościowe, przedsiębiorstwa, systemy itp.
• charakter: wydarzenia, decyzje, dane, opinie, oceny itp.
• Rodzaj kotwicy: Jednostka, instytucja, czas, przestrzeń itp.
• cykl życia: natychmiastowy, związany z czasem, ostateczny.
• trafność: identyfikowalność w odniesieniu do celów biznesowych, operacji biznesowych, organizacji i zarządzania systemami.

na tej podstawie Zarządzanie wiedzą będzie musiało powiązać wiedzę z jej śladem informacyjnym pod względem niezawodności (źródła, dokładności, spójności, przestarzałości itp.) i ryzyka.

od informacji do wiedzy

informacja ma znaczenie, wiedza jest również przydatna. Jako modele informacyjne, reprezentacje wiedzy muszą być najpierw zakotwiczone w jednostkach trwałości i Wykonania, aby wspierać spójność i ciągłość tożsamości zastępczych (zasada #1).

kotwice te mają być przypisane do domen zarządzanych przez pojedyncze jednostki organizacyjne odpowiedzialne za zobowiązania ontologiczne i wzbogacone o struktury, cechy i skojarzenia (Zasada #2). W zależności od ich zakresu, struktury lub funkcji, semantyką należy zarządzać odpowiednio za pomocą domen trwałych lub domen aplikacji.

podobnie, ontologie mogą dotyczyć obiektów lub aspektów, pierwsze są związane z podtypami strukturalnymi, drugie z funkcyjnymi.

różnice między modelami informacyjnymi a reprezentacją wiedzy pojawiają się wraz z regułami i ograniczeniami. Podczas gdy celem systemów informacji i kontroli jest zarządzanie obiektami biznesowymi i działaniami, celem systemów wiedzy jest zarządzanie treściami symbolicznymi niezależnie od ich rzeczywistych odpowiedników (zasada # 3).

standardowe reguły używane w modelowaniu systemu opisują dozwolone operacje na obiektach, działaniach i powiązanych informacjach; mogą być wyrażone do przodu lub do tyłu:

• Zasady Forward (aka push) to warunki dotyczące czasu i sposobu wykonywania operacji.
• reguĹ 'y wstÄ ™ pne (aka pull) to ograniczenia dotyczÄ … ce spójnoĺ” ci symbolicznych reprezentacji lub wykonywania operacji.

zakładając ciągłość między reprezentacjami informacji i wiedzy, punkt przegięcia oznaczałby wprowadzenie modalności używanych do kwalifikowanych wartości prawdy, np. zgodnie z logiką czasową i rozmytą:

• rozszerzenia czasowe będą umieszczać znaczniki czasu na wartościach prawdy informacji.
• logika rozmyta stawia poziomy ufności na wartości prawdy informacji.

tam systemy wiedzy odbiegają od systemów informacyjnych i kontrolnych, wprowadzając nową teorię inteligentnego rozumowania, opartą na płynności i zmienności wiedzy.

znaczenia są w rękach obserwatorów

postrzegana w kontekście korporacyjnym wiedza może być rozumiana jako informacja oprawiona w konteksty i napędzana celami: jak prowadzić firmę, jak tworzyć aplikacje, jak zarządzać systemami. Stąd Podwójna perspektywa: z jednej strony informacją rządzą przedsiębiorstwa, funkcjonalności systemów i technologia platform; z drugiej strony wiedza jest napędzana przez procesy biznesowe, inżynierię systemów i zarządzanie usługami.

to zapewnia jasną i kompleksową taksonomię artefaktów, które mają być wykorzystane do budowania wiedzy z niższych warstw informacji i danych:

• analitycy biznesowi muszą wiedzieć o domenach i działaniach biznesowych, organizacji i aplikacjach oraz jakości usług.
• inżynierowie systemów muszą wiedzieć o projektach, funkcjonalnościach systemów i wdrożeniach platform.
• menedżerowie systemów muszą wiedzieć o lokalizacjach i operacjach, usługach i wdrożeniach platform.

Podwójna perspektywa wskazuje również na dynamikę wiedzy, z informacją popychaną przez ich źródła, a wiedzą pobieraną przez ich użytkowników.

czas na każdy cel

w rozumieniu CYBERNETYKI przedsiębiorstwa to realne systemy, których sukces zależy od ich zdolności do przeciwdziałania entropii, tj.e stopniowe obniżanie poziomu informacji wykorzystywanych do zarządzania interakcjami zarówno w samej organizacji, jak i w jej środowisku.

w porównaniu do wiedzy o architekturze, która jest zorganizowana zgodnie z zawartością informacji, Architektura wiedzy jest zorganizowana zgodnie z kwestiami funkcjonalnymi i żywotnością informacji, a jej celem jest synchronizacja informacji wewnętrznych i zewnętrznych:

• planowanie celów i wymagań biznesowych (wewnętrznych) w stosunku do ewolucji rynków i możliwości (zewnętrznych).
• ocena jednostek organizacyjnych i procedur (wewnętrznych) zgodnie ze środowiskami regulacyjnymi i umownymi (zewnętrznych).
• monitorowanie operacji i projektów (wewnętrzne) wraz ze sprzedażą i łańcuchami dostaw (zewnętrzne).

to stawia znaczenia (to byłaby wiedza) w rękach decydentów, odpowiednio dla strategii korporacyjnej, organizacji i operacji. Ponadto przedsiębiorstwa będące żywymi jednostkami, trwałością życia i funkcjonalnym zrównoważeniem mają łączyć się w spójne i jednorodne warstwy:

• przedsiębiorstwa (aka biznes, aka strategiczne) skale czasowe są definiowane przez środowiska, cele i decyzje inwestycyjne.
• Organizacja (aka funkcjonalne) skale czasowe są ustalane przez dostępność, wszechstronność i zdolność adaptacji zasobów
• Skale operacyjne są określane przez cechy procesu i ograniczenia.

takie połączenie skal czasowych, architektur i celów w warstwy ścinające jest prawdopodobnie kluczowym czynnikiem sukcesu w zarządzaniu wiedzą.

Szukaj i rozciągaj

jak już wspomniano, wiedza zależy od celów, a cele, które nie są ograniczone do domen ani konserwatów, są zobowiązane do rozciągania wiedzy w różnych kontekstach biznesowych i granicach organizacyjnych. Można to osiągnąć poprzez wyszukiwanie, logikę i klasyfikację.

• Które mogą zaspokoić wszystkie potrzeby wiedzy lub stanowić podstawę do dalszego rozszerzenia.
• Wyszukiwania można łączyć z ontologiami (aka klasyfikacjami), które umieszczają te same informacje pod nowymi światłami (1b).
• operacje zachowujące prawdę przy użyciu matematyki lub języków formalnych mogą być stosowane do tworzenia informacji pochodnych (2).
• wreszcie, nowe informacje o obniżonych poziomach zaufania mogą być wytwarzane poprzez przetwarzanie statystyczne (3,4).

na przykład obserwowany ruch na płatnych drogach (1) jest wykorzystywany do celów księgowych (2), do prognozowania ewolucji ruchu (3), do analizy trendów sezonowych (1b) i symulacji sezonowych i zmiennych opłat za przejazd (4).

operacje te pociągają za sobą wyraźne konsekwencje dla zarządzania wiedzą:

o ile odległości obliczeniowe nie wpływają na poziomy ufności, operacje zachowujące prawdę są neutralne w odniesieniu do KM.

klasyfikacje są symbolicznymi narzędziami zaprojektowanymi celowo; w konsekwencji cała wiedza związana z klasyfikacją powinna pozostać w gestii jej projektanta.

wyzwania pojawiają się, gdy poziom zaufania jest dotknięty bezpośrednio lub przez starzenie się. A ponieważ podejmowanie decyzji dotyczy głównie zarządzania ryzykiem, nie można uniknąć postępowania z częściowymi lub zawodnymi informacjami. Stąd znaczenie zarządzania wiedzą wzdłuż warstw ścinania, każdy z własnym cyklu życia informacji, wymagania zaufania, i zasady podejmowania decyzji.

od architektury wiedzy do możliwości architektury

Architektura wiedzy jest centralnym układem nerwowym firmy i jako taka odgrywa podstawową rolę we wspieraniu procesów operacyjnych i menedżerskich. Ten punkt jest częściowo poruszany przez frameworki takie jak Zachman, których macierz porządkuje architekturę systemu informacyjnego (Isa) wzdłuż możliwości i poziomów projektowych. Jednak, jak pokazują poziomy projektowania, nacisk pozostaje na technologię informacyjną bez wyraźnego uwzględnienia rozróżnienia między przedsiębiorstwami, systemami i platformami.

to rozróżnienie jest kluczowe, ponieważ reguluje rozróżnienie między odpowiednimi procesami, a mianowicie procesami biznesowymi, inżynierią systemów i zarządzaniem usługami. A gdy rozróżnienie zostanie prawidłowo ustalone Architektura wiedzy może być dostosowana do oceny procesów.

jednak to nie wystarczy teraz, gdy środowiska cyfrowe atakują systemy korporacyjne, zacierając rozróżnienie między zarządzanymi zasobami informacyjnymi a ciągłymi przepływami dużych zbiorów danych.

kładzie to nacisk na dwie wady strukturalne architektur korporacyjnych:

• pomieszanie danych, informacji i wiedzy.
• wewnętrzna rozbieżność między systemami a architekturami wiedzy.

oba można pokonać, łącząc architekturę systemu i wiedzy, stosując projekt pagody:

dostosowanie platform, funkcjonalności systemów i organizacji przedsiębiorstwa odpowiednio do danych (środowisk), informacji (reprezentacje symboliczne) i wiedzy (Business intelligence) znacznie zwiększyłoby identyfikowalność transformacji wywołanych zanurzeniem przedsiębiorstw w środowiskach cyfrowych.

Reprezentacja wiedzy & profilowane Ontologie

w obliczu cyfrowych środowisk biznesowych przedsiębiorstwo musi sortować istotne i dokładne informacje z ciągłego i masowego napływu danych. Ponieważ metody modelowania nie radzą sobie z otwartym zakresem kontekstów, obaw, semantyki i formatów, potrzebne są luźniejsze Schematy, dokładnie to mają robić ontologie:

• Thesaurus: ontologie obejmujące terminy i pojęcia.
• dokumenty: ontologie obejmujące dokumenty w odniesieniu do tematów.
• biznes: ontologie odpowiedniej organizacji przedsiębiorstwa oraz obiektów i działań biznesowych.
• Inżynieria: symboliczna reprezentacja obiektów i działań organizacji i biznesu.

profilowane ontologie można następnie zaprojektować poprzez połączenie tej taksonomii zagadnień z kontekstami, np.:

• instytucjonalny: organ regulacyjny, stały, zmiany podlegające ustalonym procedurom.
• Profesjonalny: uzgodniony między stronami, stały, zmiany podlegające porozumieniom.
• Korporacja: definiowane przez przedsiębiorstwa, zmiany podlegające wewnętrznemu podejmowaniu decyzji.
• społeczne: zdefiniowane przez użycie, zmienne, ciągłe i nieformalne zmiany.
• osobowe: zwyczajowe, zdefiniowane przez osoby o nazwisku (np. praca naukowa).

wreszcie można zintegrować ontologie zewnętrzne (regulacyjne, biznesowe, …) i wewnętrzne (np. architektura korporacyjna), na przykład z zachman framework:

wykorzystanie profilowanych ontologii do zarządzania architekturą korporacyjną i wiedzą korporacyjną pomoże dostosować zarządzanie wiedzą do EA governance poprzez oddzielenie ontologii zdefiniowanych zewnętrznie (np. regulacje) od tych określonych przez podejmowanie decyzji, strategicznych (np. forma talerzowa) lub taktycznych (np. partnerstwa).

jądro ontologiczne zostało opracowane jako dowód koncepcji przy użyciu Protégé/OWL 2; wersja beta jest dostępna do komentarzy na portalu Stanford/Protégé pod linkiem: Caminao Ontological Kernel (CaKe).

od analizy danych po głębokie uczenie się

systemy informatyczne mogą stracić swoją tożsamość i cel. I jest ku temu dobry powód, a mianowicie pomylenie danych, informacji i wiedzy.

jak to miało miejsce kilka lat temu, ontologie zostały wyraźnie przemyślane, aby poradzić sobie z tym problemem.

Czytaj dalej

• Systemy, informacje, wiedza
• Ontologie & modele
• Caminao Ontological Kernel (Protégé/OWL 2)
• Ontologie & Architektura korporacyjna
• Ontologie jako zasoby produkcyjne
• zarządzanie przedsiębiorstwem & wiedza
• zwinna Współpraca & kreatywność społeczna
• odkrywanie koła na nowo
• alternatywne fakty & rozszerzona rzeczywistość
• AlphaGo: Od intuicyjnego uczenia się do holistycznej wiedzy
• AlphaGo & konkursy o sumie niezerowej
• Nowy Rok: 2016 jest tym, którego należy się nauczyć
• Zarządzanie, regulacje & ryzyko
• wydarzenia & podejmowanie decyzji
• Wywiad operacyjny & podejmowanie decyzji
• Data Mining & Analiza wymagań
• EA: Entropia antidotum
• business agility vs Systems Entropia