Знание - Института кибернетики ТПУ

Системы управления
знаниями
В.З. Ямпольский, д.т.н., профессор
Институт “Кибернетический центр” ТПУ, г.Томск
Вместо введения
Создание, накопление и распространение знаний
от поколения к поколению определяет темпы
развития человеческой цивилизации.
НТП и прогрессу вообще свойственен сегодня:
- лавинообразный рост объемов и источников
информации;
- слабая структуризация информации и знаний;
- лавинообразный рост производителей и
потребителей знаний (WWW содержит > 170 млн.
компьютерных хостов);
- глобализация различных сфер человеческой
деятельности.
Управление знаниями (КМ) – многообещающее
направление в разрешении такого рода проблем.
Управление знаниями (КМ)
Направление КМ начало активно
разрабатываться с середины 90-х годов.
Создаются НИИ, специальные
подразделения Компаний во главе с CKO
– Chief of Knowledge Office.
КМ- крупная подпрограмма IST в EU.
Знания рассматриваются как основной
источник конкурентных преимуществ
Компании.
Рост числа публикаций по управлению
знаниями
Source: Gordon & Grant 2000
700
600
20000000
500
400
300
200
Количество
документов в
Интернет
15000000
Системы управления
знаниями(KMS)
Управление знаниями
(KM)
10000000
5000000
0
2002
2003
Год
2004
100
0
1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
Год публикации
Основной стимул управления
знаниями
Организация, которая быстрее других находит
новые знания, организует их усвоение
сотрудниками, внедряет в практическую
деятельность, получает конкурентное
преимущество.
Университет* - интеллектуальноориентированная культура, приобретающая,
создающая, накапливающая и распространяющая
знания.
* с точки зрения знаниевого подхода
Интеллектуальный капитал –
новый источник богатства К0
Интеллектуальный капитал
(нематериальные активы)
1 человеческие активы – знания, опыт,
мастерство, творчество
2
интеллектуальные активы – информация,
стратегии, программы, публикации
3 интеллектуальная собственность – патенты,
секреты, торговые марки, издательские права и т.п.
4 Структурные активы – К0 культура, орг. модели.,
процессы и процедуры производства и маркетинга
5
Бренд – активы – известность, репутация, гудвил К0
Интеллектуальные К0
движутся налегке
Билл Гейтс
$85 млрд
Самуэль
Пальмисано
$70,7 млрд
$0,9 млрд
Microsoft
Нематериальные активы
$16,6 млрд
IBM
Материальные активы
Microsoft: 99% инвестирует в нематериальные активы. IBM: лишь 77%
Интеллектуальные К0 освобождаются от основных фондов
Благосостояние
от нематериальных активов?
180
1996
160
140
120
US$bn
Net Assets
100
80
Profits
60
Revenue
40
Market value
20
0
GE
CocaCola
82% 96%
Exxon
66%
Microsoft
94%
Intel
85%
% ‘нематериальные активы’
Data source: Roos et al 1997
Дисциплины, участвующие
в управлении знаниями
 Корпоративная культура (CorporateCulture)
 Организация управления
(Organizational behaviour)
 Управление персоналом
(Human resource management)
 Профессиональное обучение и
повышение квалификации
(Professional training and developement)
 Информационные технологии
(Information Technologies)
Слагаемые КМ
OB
KM
IT
HR
Что такое знания?
«Знания - это проверенные практикой результаты
познания действительности и верное их отражение в
мышлении человека» (БСЭ).
«Знания - это умение сотрудников K0 решать
стоящие перед ними проблемы и задачи».
«Знание – это сложная сеть понятий и многообразных отношений
между ними, которая сознательно (логически) или бессознательно
используется нейронной сетью головного мозга при необходимости
выработки новых суждений или принятия разнообразных
решений»(В.Ф. Турчин).
Явные
знания – описание теорий, методов,
алгоритмов, методик, технологий, машин и систем.
Неявные
знания – культура мышления, опыт,
мастерство, навыки, интуиция специалистов,
хранящихся в нейронных структурах головного мозга.
Носители знаний в компаниях USA
(результаты исследования Delphi Group, 2000г.)
Бумажные документы,
26%
В головах
специалистов, 42%
Другие, 12%
Электронные
документы, 20%
Знания особый вид
интеллектуальных ресурсов
Свойства знаний:
Знания долговечны ибо они нематериальны
Знания
инвариантны к пространству и
чувствительны к фактору времени
Знания можно продавать многократно ибо
они не отчуждаемы
Знания
постоянно увеличивающийся ресурс
Знания
орудие конкуренции
Данные, информация, знания
Данные это все, что
регистрируется,
описывается и
воспринимается
человеком.
Знания
Информация
Данные
Информация – данные в определенном контексте.
Информация = Данные + МетаДанные
Знания – информация, полезная для решения задачи.
Знания = Информация + МетаИнформация
Модели представления знаний
 Семантические сети
 Сети фреймов
 Продукционные системы
 Нейронные сети
 Онтологический подход
Онтология – формализованное описание
предметной области
Онтология = (классификаторы, тезаурусы,
понятия, отношения) :

Описание множества терминов и связей между
ними;

Мета описания, связывающие информационные
ресурсы с понятиями онтологии;

Структуры хранения и процедуры извлечения
описаний ресурсов и данных;

Интеллектуальный интерфейс пользователя;

Технология работы с базой знаний для решения
задачи.
Формальное определение онтологии
O  C, R, L, PC , PLC , PLR , I
, где
C  c1 ,..., c n  – конечное множество понятий в онтологии,
R  r1 ,..., rm  – конечное множество бинарных отношений
между понятиями,
L  l1 ,..., l k  – конечное множество лексических меток
(словарь онтологии),
PC  C  C, PC  R – антисимметричное, транзитивное,
нерефлексивное бинарное отношение, являющееся
отношением частичного порядка на множестве понятий C,
– бинарное отношение инцидентности между
PLC  L  C
множествами L и C,
– бинарное отношение инцидентности между
PLR  L  R
множествами L и R.
I - множество экземпляров понятий.
Knowledge Space
Ontology
Concept 4
Concept1
Concept 3
MetaData
Object1
MetaData
Object2
Concept N
Concept2
Взаимосвязь между онтологиями
онтологической системы
Метаонтология
Онтология
задач
Онтология
ПО
Пример онтологии задачи
Проект
разработки
имеет
экземпляр
имеет
экземпляр
АД с короткозамкнутым
ротором
заказчик
имеет
экземпляр
исполнитель
имеет
отношение к
НИИ «ЭлеСи-ТУСУР»
продукт
Арматура запорная и
запорно-регулирующая
Софт-стартер 1
Электропривод 1
ЗАО «ЭлеСи»
Проект «Разработка
блока плавного пуска»
имеет
экземпляр
Электродвигатель 1
Организация
входит
в состав
имеет
экземпляр
имеет
экземпляр
использует
Арматура магистрального
нефтепровода 1
имеет
экземпляр
Блок плавного пуска
входит
в состав
ЭП переменного тока
Магистральный
трубопровод
имеет
экземпляр
Нефтепровод 1
Типы метаданных
Семантические
метаданные
(Region; Upper Abdomen; Organ)
Структурные метаданные
(структура документа; результат категоризации,
выделение понятий)
Синтаксические метаданные
(язык, формат, размер документа, дата создания, audio bit rate)
Данные
(структурированные, полуструктурированные, неструктурированные)
Дескриптивные логики
 Семейство логических формализмов для
представления и рассуждения (логического
вывода) о концептуальных знаниях
 Это разрешимое подмножество логики
предикатов первого порядка
 Основным видом логического вывода в ДЛ
является установление родовидовых
отношений (subsumption), обычно
записываемых как C  D (т.е., понятие С
является подвидом понятия D).
Конструкторы классов
DAML+OIL
Пример
Конструкция
Синтаксис в ДЛ
intersectionOf
C1 ⊓ . . . ⊓ Cn
человек ⊓ мужчина
unionOf
C1 ⊔ . . . ⊔ Cn
доктор ⊔ адвокат
complementOf
¬С
¬мужской
oneOf
{x1 . . . Xn}
{Иван, Маша}
toClass
∀P.C
∀ имеет ребенка.доктор
hasClass
∃P.C
∃имеет ребенка.адвокат
hasValue
∃P.{x}
∃гражданин.{US}
minCardinalityQ
≥nP.C
≥2 ребенка.адвокат
maxCardinalityQ
≤nP.C
≤1ребенок.мужского пола
cardinalityQ
=nP.C
=1 родитель.женского пола
Временная диаграмма
развития данных
Данные более важны, чем приложения
Эпоха
программ
Эпоха
закрытых
данных
(офисные
данные)
«Данные менее
важны,чем код»
1945-1970
1970-1994
Эпоха
открытых
данных
Эпоха
открытых
метаданных
(HTML)
(XML)
(OWL)
«Данные также
важны, как код»
1994-2000
Эпоха
семантических
моделей
«Данные более
важны, чем код»
2000-2003
Временная диаграмма развития данных
2003 - …
Иерархия языков описания онтологий
OWL
(Ontology Web Language)
RDF/RDFS
(Resource Description Framework)
XML (eXtended Markup Language)
Дерево языков описания
онтологий
Структура системы управления
знаниями
Система Управления
Знаниями
Инженерная среда для работы с
неявными знаниями
Подсистемы для работы с явными
знаниями
Управление
интеллектуальной
собственностью
WEBСемантик
Репозитарий
знаний
Сеть
экспертов
Группы
обсуждений
Проектные
группы
(корпоративное
хранилище)
(Expert Net)
(Communities of
Practice)
(Virtual Teams)
Онтологии (классификаторы, термины, понятия)
Структура и состав
корпоративного хранилища
ДАННЫЕ
ИНФОРМАЦИЯ
ЗНАНИЯ
Метаданные
Структура
архивов
Онтологии
Справочники,
каталоги
Отчеты,
методики,
технологии
Правила
выбора
БД, файлы,
Webстраницы
Электронные
документы,
чертежи
Базы знаний
Классификация Web порталов на
основе используемых технологий
Информационные
технологии
KW
SW
SKW
Технологии
управления знаниями
Семантические
технологии
Z
Применение онтологии и семантических
метаданных в порталах
Онтология
Запрос
бл
из
о
ст
ь
Категоризация
ст
о
из
бл
ь
Рубрика
Документ
близость
Рекомендации
Документ
Поиск
Вычисление семантической
близости метаданных
n
SM FO MD DL (q i ), MD DL (q j )  

max
smd ix MD DL ( q i )
smd jy MD DL ( q j )
(k ix * k jy * SE F (smd ix , smd jy ))
n
n
SM CO MD DL (q i ), MD DL (q j )  
m

smd ix MD DL ( q i )
m
max
smd jy MD DL ( q j )
(k ix * k jy * SE C (smd ix , smd jy ))
n

SMCO MD DL (qi ), MD DL (q j ) , если  max (SE C (smd ix , smd jy ))  0
SMCS MD DL (qi ), MD DL (q j )   
0, иначе

Вычисления близости
семантических метаданных
Пользовательс
кий Интерфейс
Поиска
Запрос (тройки Субъект – Отнощение - Объект)
Приблизитель
ный Поиск по
Онтологии
Список кандидатов
((сущности)
Фильтрация и
Ранжирование
Результатов
uses
uses
uses
Частичное описание
Упорядоченные сущности
(по близости к запросу)
Полученные
результаты
Детальное описание
показывает
Ontology Server
Сущности СУЗ (Экземпляры)
Metadata Server
показывает
IT , используемые в управлении
знаниями
Управление документами
Intranet
Semantic
Analysis
Knowledge
Maps
White Boarding
Structured Document
Repositories
Full Text
Retrieval
Push
Technology
Real Time
Messaging
Automatic Profiling
Net Conferencing
Discussion Groups
File Management
System
E-mail
Shared
Files
Управление сотрудничеством
Европейское представление
жизненного цикла знаний (ЖЦЗ)
выявление
знаний
использовани
е знаний
клиенты
клиенты
создание
знаний
Бизнес Процесс
распространен
ие знаний
потребители
партнеры
хранение
знаний
Состав основных этапов
жизненного цикла знаний
 Выявление и идентификация знаний.
 Стимулирование процессов создания
нового знания.
 Совершенствование корпоративной
системы хранения и извлечения знаний.
 Распространение и обмен знаниями.
 Повышение эффективности использования
знаний и интеллектуальной собственности.
Повышение эффективности использования
знаний и интеллектуальной собственности

Коммерциализация патентов, изобретений, разработок компании.

Коммерциализация бренда ЭлеСи.

Обеспечение эффективности доступа к знаниям в DOKB
(Distributed Organizational Knowledge Base) с рабочих мест
основных бизнес-процессов.

Использование метаописаний и онтологии «Автоматизация» для
семантического поиска знаний.

Расширение функциональности и сферы применения
универсальных и специализированных инструментальных систем
проектирования, разработки, конструирования производства и
тестирования (Applied Co. Tools).

Создание в интранет и использование проектных зон для
реализации комплексных проектов виртуальными командами
(Virtual Teams).
Повышение эффективности использования
знаний и интеллектуальной собственности*

Использование БД «Профили компетентности
специалистов и экспертов» для обмена знаниями.

Выделение экспертов из числа наиболее
квалифицированных сотрудников компании
определение их статуса и стимулов.

Ротация носителей знаний между подразделениями
компании.

Стимулирование генерации и внедрения
рационализаторских предложений.

Выделение брокеров (антрепренеров) знаний в
компании.
Программные системы для КМ

AskMe Enterprise (AskMe Co.)

Hyperwave eKnowledge Portal (HyperWave Ltd.)

Knowledge Discovery System (IBM,Lotus)

Deskartes Universal Knowledge (Knowledge
Management Software Co.)

Know-Net (European Consortium)

myLivelink KM Portal (Open Text Corp.)


Exsys CORVID (expert shell software)
SharePoint Portal Server 2003 (Microsoft)
Разрабатываемые в ИКЦ
программные системы

Система управления результатами научно
технической деятельности “ЮКОС ЭП” 20022003гг. (внедрена в 3 объединениях).

Petroleum Engineers Virtual Network ЦППС НД
(внедрена в ТПУ – HWU центре) 2003 г.

Грант по программе «Интеграция».
Подготовка монографии «Системы
управления знаниями» 2004 г.

Разработка проекта и базовых элементов
системы управления знаниями компании
«ЭлеСи» 2005 г.
Функции системы управления
результатами НТД
Запросы на
получение
прав по
использованию
РНТД
Общение
с коллегами
Доступ
к описаниям,
документам
Подписка на
новости
системы
Занесение
комментарий
об
использовании
Специалисты
компании и
дочерних обществ
Консультация
у эксперта
Дискуссии по
проблемам
НТД
Поиск информации
по проблемным
ситуациям
Архитектура семантического
портала
Семантический портал
Портал
Приложение-обозреватель
Специфические приложения
Digest, NTLM, ...
Безопасность
HTTP(S)
Представление
SS
Профилирование
Категоризация
Интеграция приложений и
сервисов
Индексирование и поиск
Сервер приложений (Веб-сервер)
Оповещение
SM
TP
,R
Интеграция данных
Редактор онтологий
HTML-страница
Уровень
интерфейса
Семантическое
ядро
Сервер
семантических
метаданных
Сервер онтологий
Модуль
логического
вывода
Внешние
источники
данных
OLEDB, ODBC, JDBC, ...
LDAP
DCOM, CORBA, ...
Уровень
данных
Unified Content API
Уровень
бизнес-логики
База данных
портала
LDAPкаталог
Хранилище
семантических
метаданных
Хранилище
онтологий
КМS Schlumberger
КМS Schlumberger
КМS Schlumberger
КМS Schlumberger
Приложения СУЗ
Знание это сила!
Френсис Бэкон
(1597)
Спасибо за внимание!