Knowledge Architecture

”Ingenting som är värt att veta kan läras ut”

Oscar Wilde

mål

som illustreras av symboliska systemprogrammet (ssp) vid Stanford University, ger framsteg inom data-och kommunikationsteknik informations-och kunskapssystem under ett enda funktionellt tak, nämligen bearbetning av symboliska representationer.

inom den förståelsen kommer man att förvänta sig kunskapshantering för att skugga systemarkitekturer och problem: affärssammanhang och mål, företagsorganisation och verksamhet, systemfunktioner och teknik. Å andra sidan, eftersom kunskap till sin natur är en gemensam resurs för återanvändbara tillgångar, bör organisationen stödja sina olika användares behov oberoende av informationens ursprung och natur. Kunskapshantering bör därför binda kunskap om Arkitekturer med kunskapsarkitektur.

kunskapsrepresentation

i sin pivotala artikel fastställde Davis, Shrobe och Szolovits fem principer för kunskapsrepresentation:

1. surrogat: KR ger en symbolisk motsvarighet till faktiska objekt, händelser och relationer.
2. ontologiska åtaganden: en KR är en uppsättning uttalanden om de kategorier av saker som kan finnas i den aktuella domänen.
3. fragmentarisk teori om intelligent resonemang: en KR är en modell för vad sakerna kan göra eller kan göras med.
4. Medium för effektiv beräkning: att göra kunskap förståelig för datorer är ett nödvändigt steg för alla inlärningskurvor.
5. Medium för mänskligt uttryck: en KR-förutsättningen är att förbättra kommunikationen mellan specifika domänexperter å ena sidan, generiska kunskapschefer å andra sidan.

som sätter informationssystem som ett speciellt fall av kunskap, eftersom de uppfyller de fem principerna, men med en funktionell kvalifikation:

• liksom kunskapssystem hanterar informationssystem symboliska representationer av externa objekt, händelser eller aktiviteter som påstås vara relevanta.
• systemmodeller är påståenden om legitima affärsobjekt och verksamheter.
• på samma sätt är informationssystem avsedda att stödja effektiv beräkning och användarvänliga interaktioner.

den enda skillnaden handlar om koppling: i motsats till kunskapssystem spelar information och kontroll en roll i sitt sammanhang, och operationer på surrogater är inte neutrala.

Kunskapsarkeologi

Kunskapskonstruktioner är tomma lådor som måste fyllas ordentligt med fakta. Men, som notoriskt uppvisas av de alternativa, fakta ges inte utan måste observeras, vilket nödvändigtvis medför någon observatör, inställd på uppgift om inte med intresserade intressen, och någon apparat, naturlig eller gjord med avsikt. Och om de ska registreras måste även” rena ” fakta som observeras genom oskyldiga barns blotta ögon översättas till någon symbolisk representation.

med vind som exempel stöder vindstrumpor omedelbar observation av fakta, utan någon symbolisk mening. För att förstå deras beteenden, avtar och anemometrar är nödvändiga, respektive för azimut och hastighet; men det kräver också symboliska ramar för riktningar och mätvärden. Slutligen kan kunskap om riskerna med starka vindar läggas till när sådana risker måste beaktas.

när det gäller företag ska kunskapslådor fyllas med fakta om deras affärssammanhang och processer, organisation och applikationer och tekniska plattformar. Vissa av dem kommer att produceras internt, andra erhålls från externa källor, men alla bör hanteras oberoende av specifika ändamål.

oavsett deras natur (företag, organisation eller system), information som produceras av företagen själva är, från början, redo att användas, i.e organiserad kring identifierade objekt eller processer, med definierade strukturer och semantik.

det är inte nödvändigtvis fallet med data som återspeglar externa sammanhang (marknader, regler, teknik etc.) som måste kartläggas till företagets problem och mål innan de används.

att översättning av data till information kan göras omedelbart genom att kartlägga datasemantik till identifierade objekt och processer; det kan också försenas, med grova data som hanteras som sådan tills de används i ett senare skede för att bygga information.

från Data till Information

Information är meningsfull, data är inte. Även ” fakta ”är inte manna från himlen utan måste formas från fenomen till data och sedan information, som epitomiseras av binära, fragmenterade eller” stora ” data.

• binära data är direkt inspelning av fysiska fenomen, t.ex.ljud eller bilder; även när de indexeras med nyckelord förblir de värdelösa tills de associeras, som icke-symboliska drag, till identifierade objekt eller aktiviteter.
• i motsats till binära data kommer fragmenterade data i symbolisk form, men som flytande nuggets med sub-level granularitet; och som deras binära kusin är de finkorniga beskrivningarna meningslösa tills de är knutna till identifierade objekt eller aktiviteter.
• ”stora” data förstås vanligtvis när det gäller skalbarhet, eftersom det hänvisar till klumpar som är för stora för att behandlas individuellt. Det kan också definieras som en generalisering av fragmenterade data, med identifierade mål omgrupperade till mer meningsfulla aggregat, vilket flyttar den riktade granulariteten upp i skalan till en viss ”överväldigande” nivå.

eftersom kunskap bara kan byggas från symboliska beskrivningar måste data först översättas till information gjord av identifierade och strukturerade enheter med tillhörande semantik.

inför ”grova” (aka obearbetade) data kan kunskapshanterare välja mellan två policyer: information kan ”brytas” från data med statistiska medel, eller informationssteget kringgås helt enkelt och data används direkt (aka tolkas) av ”kunniga” agenter enligt deras sammanhang och oro.

faktum är att båda politikerna är beroende av kunniga agenter, frågan är vem som är ”gruvarbetarna” och vad de borde veta. Teoretiskt kan gruvarbetare vara helt automatiserade verktyg som kan extrahera mönster av relevant information från grova data utan föregående information.praktiskt taget måste sådana verktyg matas med någon tidigare ”intelligens” angående vad som ska letas efter, t.ex. prover för neuronala nätverk eller variabler för statistisk regression. Därför behovet av någon form av format, ritningar eller mallar som hjälper till att rama in grova data i information.

Informationsegenskaper

kunskap måste byggas från korrekt och aktuell information om externt och internt tillstånd, och för detta ändamål måste informationsobjekt hanteras enligt deras källa, natur, livscykel och relevans:

• källa: myndigheter och förvaltningar, icke-statliga organisationer, företagsmedia, sociala medier, företag, system etc.
• Natur: händelser, beslut, data, yttranden, bedömningar etc.
• typ av ankare: individ, institution, tid, rum etc.
• livscykel: omedelbar, tidsrelaterad, slutlig.
• relevans: spårbarhet med avseende på affärsmål, affärsverksamhet, organisation och systemhantering.

på den grunden måste kunskapshanteringen kartlägga kunskap till dess informationsavtryck när det gäller tillförlitlighet (källa, noggrannhet, konsistens, föråldring osv.) och risker.

från Information till kunskap

Information är meningsfull, kunskap är också användbar. Som informationsmodeller måste kunskapsrepresentationer först förankras till Persistens-och exekveringsenheter för att stödja konsistensen och kontinuiteten hos surrogatsidentiteter (princip nr 1).

dessa ankare ska tilldelas domäner som hanteras av enskilda organisatoriska enheter som ansvarar för ontologiska åtaganden och berikas med strukturer, funktioner och föreningar (princip #2). Beroende på deras omfattning, struktur eller funktion ska semantiken hanteras av persistenta eller applikationsdomäner.

på samma sätt kan ontologier rikta in sig på objekt eller aspekter, den förra är associerad med strukturella undertyper, den senare med funktionella.

skillnader mellan informationsmodeller och kunskapsrepresentation visas med regler och begränsningar. Medan syftet med informations-och kontrollsystem är att hantera affärsobjekt och aktiviteter, är syftet med kunskapssystem att hantera symboliskt innehåll oberoende av deras faktiska motsvarigheter (princip #3).

standardregler som används i systemmodellering beskriver tillåtna operationer på objekt, aktiviteter och tillhörande information; de kan uttryckas framåt eller bakåt:

• Forward (aka push) regler är villkor för när och hur operationer ska utföras.
• bakåt (aka pull) regler är begränsningar för konsistensen av symboliska representationer eller på utförandet av operationer.

om man antar en kontinuitet mellan informations-och kunskapsrepresentationer skulle böjningspunkten markeras med införandet av metoder som används för kvalificerade sanningsvärden, t. ex. enligt tidsmässig och fuzzy logik:

• temporala förlängningar kommer att sätta tidsstämplar på sanningsvärden av information.
• Fuzzy logic sätter konfidensnivåer på sanningsvärden för information.

det är där kunskapssystem avviker från informations-och kontrollsystem när de introducerar en ny teori om intelligent resonemang, en baserad på kunskapens fluiditet och volatilitet.

betydelser är i händerna på betraktare

sett i ett företagssammanhang kan kunskap förstås som information inramad av sammanhang och drivs av syften: hur man driver ett företag, hur man utvecklar applikationer, hur man hanterar system. Därför det dubbla perspektivet: å ena sidan styrs informationen av företagsproblem, systemfunktioner och plattformsteknologi; å andra sidan drivs kunskap av affärsprocesser, systemteknik och tjänstehantering.

det ger en tydlig och omfattande taxonomi av artefakter, som ska användas för att bygga kunskap från lägre lager av information och data:

• affärsanalytiker måste veta om affärsdomäner och aktiviteter, organisation och applikationer och servicekvalitet.
• systemingenjörer måste veta om projekt, systemfunktioner och plattformsimplementeringar.
• systemansvariga måste veta om platser och operationer, tjänster och plattformsinstallationer.

det dubbla perspektivet pekar också på kunskapens dynamik, med information som drivs av sina källor och kunskap dras av sina användare.

en tid för alla ändamål

såsom förstås av cybernetik, företag är livskraftiga system vars framgång beror på deras förmåga att motverka entropi, jag.e den gradvisa nedgraderingen av den information som används för att styra interaktioner både inom organisationen själv och med dess miljö.

jämfört med arkitekturkunskap, som är organiserad enligt informationsinnehåll, är kunskapsarkitektur organiserad enligt funktionella problem och informationslivslängd, och dess mål är att hålla Intern och extern information synkroniserad:

• planering av affärsmål och krav (internt) i förhållande till marknadernas utveckling och möjligheter (externt).
• bedömning av organisatoriska enheter och förfaranden (internt) i linje med reglerings-och avtalsmiljöer (externt).
• övervakning av verksamhet och projekt (internt) tillsammans med försäljnings-och försörjningskedjor (externt).

det sätter betydelser (det skulle vara kunskap) i beslutsfattarnas händer, respektive för företagsstrategi, organisation och verksamhet. Dessutom, företag som är levande enheter, livslängd och funktionell hållbarhet är avsedda att samlas i konsekventa och homogena lager:

• Enterprise (aka business, aka strategic) tidsskalor definieras av miljöer, mål och investeringsbeslut.
• organisation (aka funktionella) tidsskalor ställs in av tillgänglighet, mångsidighet och anpassningsförmåga resurser
• operativa tidsskalor bestäms av processfunktioner och begränsningar.

en sådan kongruens av tidsskalor, arkitekturer och syften i Klipplager är utan tvekan en viktig framgångsfaktor för kunskapshantering.

Sök och sträck

som redan nämnts drivs kunskap av syften, och syften, som inte är begränsade till domäner eller bevarar, är bundna att sträcka kunskap över affärssammanhang och organisatoriska gränser. Det kan uppnås genom sökning, logik och klassificering.

• sökningar samlar in information som är relevant för användarnas oro (1). Det kan tillgodose alla kunskapsbehov, eller ge en ryggrad för ytterligare förlängning.
• sökningar kan kombineras med ontologier (aka klassificeringar) som sätter samma information under nya lampor (1B).
• Sanningsbevarande operationer med hjälp av matematik eller formella språk kan tillämpas för att producera härledd information (2).
• slutligen kan ny information med minskade konfidensnivåer produceras genom statistisk bearbetning (3,4).

till exempel används observerad trafik vid vägtullar (1) för bokföringsändamål (2), för att prognostisera trafikutvecklingen (3), för att analysera säsongstrender (1b) och simulera säsongsmässiga och variabla vägtullar (4).

dessa operationer medför tydliga konsekvenser för kunskapshantering:

såvitt beräkningsavstånd inte påverkar konfidensnivåer är sanningsbevarande operationer neutrala med avseende på KM.

klassificeringar är symboliska verktyg utformade med avsikt; som en konsekvens bör all kunskap i samband med en klassificering förbli under dess konstruktörs ansvar.

utmaningar uppstår när konfidensnivåer påverkas, antingen direkt eller genom föråldring. Och eftersom beslutsfattande i huvudsak handlar om riskhantering, kan det inte undvikas att hantera partiell eller opålitlig information. Därav vikten av att hantera kunskap längs klippning lager, var och en med sin egen information livscykel, förtroendekrav, och beslutsregler.

från Knowledge Architecture till Architecture Capability

Knowledge architecture är företagets centrala nervsystem, och som sådan spelar den en viktig roll i stöd för operativa och ledande processer. Den punkten behandlas delvis av ramar som Zachman vars matris organiserar Informationssystemarkitektur (isa) längs kapaciteter och designnivåer. Men som illustreras av designnivåerna förblir fokus på informationsteknik utan att uttryckligen ta itu med skillnaden mellan företag, system och plattformar.

denna skillnad är avgörande eftersom den styr skillnaden mellan motsvarande processer, nämligen affärsprocesser, systemteknik och tjänstehantering. Och när skillnaden är korrekt etablerad kunskap arkitektur kan anpassas till processer bedömning.

men det räcker inte nu när digitala miljöer invaderar företagssystem, vilket suddar skillnaden mellan hanterade informationstillgångar och de kontinuerliga flödena av stora data.

det sätter fokus på två strukturella brister i företagsarkitekturer:

• förvirringen mellan data, information och kunskap.
• den inneboende skillnaden mellan system och kunskapsarkitekturer.

båda kan övervinnas genom att slå samman system – och kunskapsarkitekturer som tillämpar Pagoda blueprint:

anpassningen av plattformar, systemfunktioner och företagsorganisation med data (miljöer), information (symboliska representationer) och kunskap (business intelligence) skulle i hög grad förbättra spårbarheten för transformationer som induceras av nedsänkning av företag i digitala miljöer.

kunskapsrepresentation& profilerade ontologier

inför digitala affärsmiljöer måste företag Sortera relevant och korrekt information ur kontinuerliga och massiva inflöden av data. Eftersom modelleringsmetoder inte klarar av det öppna utbudet av sammanhang, oro, semantik och format behövs lösare system, det är precis vad ontologier är avsedda att göra:

• tesaurus: ontologier som täcker termer och begrepp.
• dokument: ontologier som täcker dokument med avseende på ämnen.
• företag: ontologier av relevant företagsorganisation och affärsobjekt och aktiviteter.
• teknik: symbolisk representation av organisations-och affärsobjekt och aktiviteter.

profilerade ontologier kan sedan utformas genom att kombinera den taxonomin av problem med sammanhang, t. ex:

• institutionell: tillsynsmyndighet, stadig, ändringar med förbehåll för fastställda förfaranden.
• professionell: överenskomna mellan parter, stadig, ändringar som omfattas av avtal.
• företag: definieras av företag, ändringar som är föremål för internt beslutsfattande.
• Social: definierad av användning, flyktiga, kontinuerliga och informella förändringar.
• personlig: sedvanlig, definierad av namngivna individer (t.ex. forskningspapper).

sist men inte minst kan externa (reglerande, företag, …) och interna (dvs. enterprise architecture) ontologier integreras, till exempel med Zachman framework:

att använda profilerade ontologier för att hantera företagsarkitektur och företagskunskap hjälper till att anpassa kunskapshantering med EA-styrning genom att skilja ontologier definierade externt (t.ex.förordningar), från de som fastställs genom beslutsfattande, strategiska (t.ex.plattform) eller taktiska (t. ex. partnerskap).

en ontologisk kärna har utvecklats som ett bevis på koncept med Proof of Concept med hjälp av Prot https://UGGL 2; en betaversion är tillgänglig för kommentarer på Stanford / Prot https: / / portal med länken: Caminao Ontological Kernel (CaKe).

från dataanalys till djupinlärning

Ställ in mellan allomfattande angrepp av data på ena sidan, genomgripande smarta bots på andra sidan, kan informationssystem förlora sin identitet och syfte. Och det finns en bra anledning till det, nämligen förvirringen mellan data, information och kunskap.

som det hände för eoner sedan, ontologier har uttryckligen varit upp för att hantera den frågan.

Vidare läsning

• System, Information, kunskap
• ontologier & modeller
• Caminao Ontological Kernel (Prot 2)
• ontologier & Enterprise Architecture
• ontologier som produktiva tillgångar
• företagsstyrning & kunskap
• agilt samarbete & Social kreativitet
• återuppfinna hjulet
• alternativa fakta & Augmented Reality
• AlphaGo: Från intuitivt lärande till holistisk kunskap
• AlphaGo & tävlingar utan nollsumma
• Nytt År: 2016 är den som lär sig
• styrning, förordningar & risker
• händelser & beslutsfattande
• Operativ intelligens & beslutsfattande
• Data Mining & kravanalys
• EA: entropi motgift
• business agility vs system entropi