Содержание к диссертации
Введение
1. Управление знаниями современных организаций 23
1.1. Потребности управления знаниями организации 24
1.2. Понятие и классификация знаний 28
1.2.1. Определение понятия знания 28
1.2.2. Классификации знаний 34
1.2.3. Организационные знания 38
1.3. Процессы преобразования знаний 39
1.3.1. Модель процесса работы со знаниями 40
1.3.2. Модель преобразования между явными и скрытыми знаниями 46
1.3.3. Связь бизнес-процессов и процессов работы со знаниями 49
1.4. Управление знаниями 52
1.4.1. Определение управления знаниями 52
1.4.2. Концепции и подходы к управлению знаниями 55
1.4.3. Факторы, способствующие управлению знаниями 60
1.5. Корпоративные системы управления знаниями 61
1.5.1. Определение систем управления знаниями 62
1.5.2. Классификация систем управления знаниями 63
1.5.3. Использование онтологии в системах управления знаниями 69
1.6. Предлагаемая архитектура системы управления знаниями 70
Выводы по главе 71
2. Онтологическое моделирование знаний организации 72
2.1. Описание знаний организации 72
2.1.1. Декларативные знания 72
2.1.2. Ресурсы знаний организации 76
2.2. Методы представления знаний 77
2.2.1. Логика первого порядка 79
2.2.2. Семантические сети и фреймовые системы 81
2.2.3. Онтологии 82
2.3. Онтологическая модель знаний организации 91
2.4. Методология построения онтологии областей знаний организации 95
2.4.1. Анализ сценариев и сбор данных 95
2.4.2. Повторное использование онтологии 98
2.4.3. Терминологический анализ 100
2.4.4. Наполнение и структуризация онтологии 101
2.4.5. Переход к полуформальному описанию онтологии 104
2.4.6. Переход между неформальным и формальным описаниями онтологии 106
2.4.7. Алгоритм построения онтологии 108
2.5. Формализованные представления онтологии 112
2.5.1. Представление и работа с онтологическими моделями с использованием дескриптивной логики 112
2.5.2. Использование реляционных моделей для представления и работы с онтологическими моделями 117
2.6. Операции над онтологическими моделями 119
2.6.1. Проверка правильности онтологии 119
2.6.2. Объединение онтологии 122
2.7. Распределенная система работы с онтологической моделью 130
2.7.1. Распределенная онтологическая модель 131
2.7.2. Основные сервисные подсистемы 137
Выводы по главе 142
3. Семантическое моделирование объектов знаний 143
3.1. Модель объектов знаний организации 143
3.1.1. Существующие стандарты метаданных 143
3.1.2. Семантические модели объектов знаний организаций 149
3.2. Формирование семантических метаданных объектов знаний 153
3.2.1. Ручное формирование семантических метаданных 154
3.2.2. Метод полуавтоматического аннотирования документов 158
3.2.3. Аннотирование документов на основе поверхностного лингвистического анализа 161
3.3. Семантическое сравнение понятий в онтологии 165
3.3.1. Определения и основные понятия 165
3.3.2. Обзор современных определений понятия семантического сопоставления 168
3.3.3. Описание семантического сопоставления в формальной логике 173
3.4. Вычисление близости контентных метаданных объектов знаний 175
3.4.1. Оценка близости элементов метаданных 176
3.4.2. Метод вычисления близости контентных метаданных 180
3.4.3. Метод фильтрации множества кандидатов на сравнение 182
3.4.4. Применение методов вычисления семантической близости 187
3.5. Профили компетентности специалистов 190
3.5.1. Моделирование экспертов и специалистов организации 190
3.5.2. Использование моделей и профилей специалистов 196
3.5.3. Алгоритмы обработки действий специалистов в системе 197
3.6. Интеграция информации и знаний на основе онтологической модели 202
3.7. Тестирование разработанных семантических методов 207
3.7.1. Тестирование метода полуавтоматического аннотирования объектов 207
3.7.2. Тестирование метода семантического поиска по контентным метаданным 210
3.7.3. Тестирование метода классификации на основе контентных метаданных 216
3.7.4. Тестирование метода формирования рекомендаций 217
Выводы по главе 221
4. Построение систем управления знаниями 223
4.1. Методология построения систем управления знаниями 223
4.1.1. Методика выбора процессов, активно работающих со знаниями 223
4.1.2. Методика оценки и отбора стратегий управления знаниями 231
4.1.3. Интеграция управления знаниями с бизнес-процессами организации 234
4.2. Программная реализация системы управления знаниями 246
4.2.1. Онтологическая база знаний организации 247
4.2.2. Семантический web-портал системы управления знаниями 250
Выводы по главе 266
5. Применение разработанных моделей и методов для интеграции информации и управления знаниями 268
5.1. Интеграция разнородных массивов данных и информации на основе единой модели в системе ТОМОГРАФ 5.2 268
5.2. Система управления результатами научно-технической деятельности компании ЮКОС 269
5.3. Информационно-программное обеспечение для системы управления явными и неявными знаниями образовательной организации 282
5.4. Корпоративная система управления знаниями компании «ЭлеСи» 295
5.4.1. Подсистема ведения базы знаний профилей компетентности специалистов 297
5.4.2. Подсистема поддержки работы экспертов 302
Выводы по главе 310
Заключение 312
Список литературных источников 316
Приложения 343
Приложение 1. Структура онтологической базы знаний организации 344
Приложение 2. Онтология организации 351
Приложение 3. UML-диаграммы проектирования семантической подсистемы web-портала СУЗ 355
Приложение 4. Формы и пример результатов квалификационного аудита специалистов компании «ЭлеСи» 359
Приложение 5. Свидетельства на разработанные программные системы 362
Приложение 6. Некоторые свидетельства на награды, полученные на конкурсах и выставках 366
Приложение 7. Документы по внедрению результатов работы 370
- Модель процесса работы со знаниями
- Представление и работа с онтологическими моделями с использованием дескриптивной логики
- Тестирование метода семантического поиска по контентным метаданным
- Информационно-программное обеспечение для системы управления явными и неявными знаниями образовательной организации
Введение к работе
Актуальность работы. Современная экономика, которой свойственен быстрый рост доли наукоемких товаров и услуг, сокращение их жизненного цикла, интеллектуализация технологий бизнеса и маркетинга, все в большей степени основывается на знаниях Организации не только активно используют знания, созданные в академических институтах, но и сами активно создают новые знания. В настоящее время уже признано, что знания являются одним важнейших, ресурсов организаций, наравне с финансовыми и материальными ресурсами Организации, которые быстрее других создают и находят новые знания, обеспечивают их хранение и усвоение сотрудниками, внедряют их в практическую деятельность, приобретают несомненные конкурентные преимущества. Знания, интеллектуальный капитал, интеллектуальная собственность получают растущее признание в качестве нового источника богатства компаний
В связи с этим, организации стремятся эффективно распоряжаться, управлять имеющимися у них знаниями Однако, так как данное направление включает исследование природы организационных знаний, процессов их преобразования, методов воздействия на эти процессы, т е является междисциплинарной, то она находится в области интересов различные научных дисциплин, таких как управление организациями, организационное обучение и культура, психология и социология, стратегический менеджмент, управление людскими ресурсами и управление информацией Несмотря на то, что общепризнанна актуальность и важность управления знаниями (УЗ), до сих пор нет даже общепринятых, согласованных концепций и подходов, имеется разное представление о самой сущности управления знаниями организации При этом понимание управления знаниями простирается от управления всеми процессами организации, до автоматизации решения отдельных организационных задач (может быть, с помощью интеллектуальных методов)
Активные исследования в данной области начались с 90-х годов прошлого столетия В большом количестве публикаций необходимо выделить исследования К -Е Sweiby, К М Wiig, Р F. Dracker, Т Н. Davenport, L Prasak, М Н Zack, I Nonaka, Н Takeuchi, R Maier, J.M Firestone Среди отечественных публикаций по данной тематике можно отметить исследования Б 3 Мильнера, С М Климова, М К Мариничевой, Т А. Гаврилову, В А Дресвяникова и В 3 Ям-польского.
В литературе были выделены факторы, способствующие успешному выполнению УЗ Одним из таких факторов, не достаточным, но необходимым, является использование информационных технологий Для успешного управления знаниями, в организациях создаются специальные информационно-программные системы управления знаниями (СУЗ)
Анализ литературных источников по проблематике систем управления знаниями обнаруживает два значительно отличающихся друг от друга подхода к их построению Первый подход можно назвать классическим, когда СУЗ строится на основе комбинирования существующих, уже зарекомендовавших себя технологий для поддержки различных процессов работы со знанием К
ним относятся, ставшие уже стандартными, такие ГГ — технологии, как E-mail, доски объявлений, дискуссионные форумы, web-порталы, а также технологии, использующиеся при построении экспертных систем (распознавание образов и ситуаций, автоматическое аннотирование и классификация, и т п) Очевидно, что данный подход является дальнейшим развитием информационных систем организаций в части работы со знаниями
Второй подход можно определить как семантический Он основан на использовании методов и технологий по работе со смыслом, семантикой данных, информации и знаниями, таких как онтологии предметных областей, технологии их построения и сопровождения, семантические метаданные, семантический поиск, системы логического вывода, семантическое профилирование знаний экспертов, семантические порталы и сети и т п И все это с соответствующей технологической поддержкой в части языков описания, моделей, программных инструментов и систем
При этом семантический подход не отвергает классический Большинство элементов и инструментов классического подхода зачисляется в арсенал средств развитых корпоративных информационных систем, которые могут применяться и, по существу, применяются для повышения уровня работы с данными и информацией
В данном направлении можно выделить работы таких авторов, как D Fensel, S Staab, A Abecker, N Stojanovic, LHorrocks, Y Sure, R. Studer, T A Гаврилову, А В Смирнова, Ю А. Загорулько, А С. Клещева
Однако, несмотря на большое количество публикаций в данной области, в настоящее время отсутствует комплексный подход к разработке систему управления знаниями на основе онтологических моделей и семантических методов. Отсутствует согласованный набор методов по онтологическому моделированию знаний организации и семантическому описанию разнородных объектов, содержащих знания, а также методов вовлечения в бизнес-процессы организаций значительных ресурсов явных и скрытых знаний Необходимы согласованные методы формирования онтологических моделей и их использования для решения таких базовых задач по работе со знаниями, как семантический поиск, классификация, навигация и формирование рекомендаций Применение подобных средств требует разработки и соответствующего методического обеспечения, которое позволит определить стратегию реализации управления знаниями и поддержать процесс их практического использования с помощью конкретных информационно-программных систем
Таким образом, можно сделать вывод о том, что, несмотря на наличие в научной среде консенсуса в части актуальности управления знаниями организаций и перспективности работы с семантикой, до настоящего времени в достаточной степени не разработан комплексный набор методов и алгоритмов описания и использования содержащих знания объектов организации с применением онтологических моделей и семантических методов, и методик построения на их основе СУЗ, а опубликованные в этом направлении идеи не достаточно апробированы, что определяет актуальность темы данной диссертационной работы
Цель работы разработка комплекса методов, моделей и алгоритмов для построения информационно-программных систем управления знаниями на основе единых онтологических моделей и семантических методов
Для достижения поставленной цели исследования были поставлены и решены следующие задачи
1. Выявление состава и структуры знаний современной организации, оказывающих активное влияние на результаты их работы
2 Определение связи процессов работы со знаниями и бизнес-процессов современных организаций с целью определения стратегии реализации системы управления знаниями
3. Разработка методики формирования и отбора стратегий УЗ с учетом важности знаний для выполнения основных бизнес-процессов организации и стратегий их деятельности
Разработка комплексной онтологической модели знаний организации, с целью описания разнородных типов объектов (ресурсов) знаний для решения базовых задач работы с ними
Разработка методов создания и поддержки в актуальном состоянии единой онтологической модели знаний организации
Разработка моделей описания объектов организации, содержащих и работающих со знаниями для поддержки работы с ними
Разработка набора методов для реализации основных функций работы со знаниями, таких как семантический поиск, классификация, формирование рекомендаций и навигация
8 Разработка модели описания профилей компетентности специалистов, алгоритмов проведения и обработки результатов квалификационного аудита, их уточнения с учетом результатов работы специалистов в СУЗ.
Разработка онтологической базы знаний организации, содержащей единую онтологическую модель знаний и множество семантических метаописаний объектов знаний
Разработка архитектуры семантического Web — портала для поддержки активно работающих со знаниями бизнес-процессов
Методы исследования. Для решения поставленных задач в работе используются методы системного анализа, теории графов и множеств, теория принятия решений, экспертных оценок, объектно-ориентированного проектирования и программирования
Научная новизна. В диссертационной работе впервые предложен комплексный подход к проектированию и созданию систем управления знаниями с использованием онтологического моделирования и семантических методов и на основе анализа бизнес-процессов, активно работающих со знаниями и обоснованного выбора стратегии реализации управления знаниями. Решена крупная научная проблема, имеющая важное значение для развития теории онтологического моделирования и семантических методов в области проектирования и разработки систем управления знаниями организаций
Получены следующие основные результаты, обладающие научной новизной:
Впервые сформирован комплексный подход к созданию систем управления знаниями на основе онтологического моделирования, семантических методов и поддержки бизнес-процессов, активно работающих со знаниями и разработана архитектура информационно-программного обеспечения его реализации
Разработан новый подход к моделированию разнородных объектов (ресурсов) знаний организации на основе единой онтологической модели знаний организации, включающей онтологию организации и развиваемый набор онтологических моделей предметных областей, основных областей деятельности организации, и семантические метаописания ресурсов знаний, включающих контекстные и контентные метаданные
Разработаны новые методы оценки семантической близости метаописа-ний объектов знаний на основе использования онтологической модели и решения таких базовых задач работы со знаниями, как семантический поиск, классификация по заданному иерархическому набору рубрик и выполнение навигации
Разработана новая модель описания моделей компетентности специалистов организации и методы ее построения и поддержки на основе анализа результатов квалификационного аудита и записей журнала работы специалистов в СУЗ
Впервые разработана многоуровневая архитектура информационно-программного обеспечения СУЗ на основе онтологической базы знаний и семантического web-портала обеспечивает поддержку разнообразных процессов управления знаниями организаций разного типа
Впервые разработана структура и интерфейсы онтологической базы знаний организации, позволяющая хранить в реляционной базе данных описание онтологической модели и множество семантических метаописаний Разработаны методы взаимодействия с данной базой знаний для решения различных задач управления знаниями
Разработана новая архитектура семантического Web-портала, включающая семантическую подсистему, состоящую из сервера онтологии и сервера метаданных, позволяющего организовать поддержку работы пользователей с использованием семантических моделей предметных областей знаний
Теоретическая значимость работы заключается в развитии теории исследования и построения систем и методов управления на основе онтологического и семантического моделирования.
Предложенный методология моделирования распределенных и разнородных ресурсов знаний организации объединяет подходы, разработанные в рамках таких научных направлений, как системный анализ, инженерия знаний, моделирование организаций и вносит существенный вклад в развитие семантического моделирования систем и интеграции информации и знаний. Она предоставляет возможность интегрировать модели различных предметных областей
знаний, используя в качестве объединяющей среды единую онтологическую модель знаний организации
Разработанный семантический подход к решению таких базовых задач как поиск, классификации, формирование рекомендаций развивает существующие методы работы с семантическими моделями знаний
Практическая значимость работы. Разработанные модели, алгоритмы и схемы баз знаний, а также программное обеспечение их реализации, включающее методы работы с онтологическими моделями, методы работы с семантическими метаописаниями, а также онтологическую базу знаний и семантический web-портал, могут быть использованы для практического создания большого класса программных систем для работы с данными и информацией, и в особенности систем управления знаниями организаций Использование разработанных моделей позволяет существенно сократить трудоемкость процесса разработки и повысить качество организации работы со знаниями организации за счет использования типовых частей онтологической модели организации, структурированного описания разнородных ресурсов знаний на базе единой онтологической модели, возможности эффективно решать такие базовые задачи работы со знаниями, как семантический поиск, классификация, формирование рекомендаций и навигация
Кроме того, данные методы и программное обеспечение могут быть использованы студентами вузов в учебном процессе для выполнения курсовых и дипломных работ, а также в ходе изучения таких дисциплин, как управление знаниями, моделирование систем, искусственный интеллект, реинжиниринг бизнес-процессов и т д
Связь работы с научными программами, планами, темами. Основные результаты диссертации, были получены и нашли свое отражение в следующих научно-исследовательских работах и проектах
научно-исследовательская работа, проводимая по заданию Агентства образования Российской Федерации «Исследование методов представления, структуризации и контекстного поиска явных и неявных знаний для построения систем управления знаниями» на 2004-2008 г г (номер НИР 1 38 04, номер гос регистрации 01200404026),
проект «Интеграция распределенных и разнородных информационных ресурсов организации с использованием семантических технологий» (конкурс р_офи_200б, № 06-07-96912) Российского фонда фундаментальных исследований
проект «Создание информационно-программной среды научно-образовательного комплекса Томска для работы со знаниями и объектами интеллектуальной собственности» (контракт № 2093 от 1 11 2002) в рамках ФЦП «Интеграция науки и высшего образования России на 2002—2006 годы»,
проект "Подготовка монографии Системы управления знаниями (методы и технологии)" (контракт № 2247 от 26 09 03) в рамках ФЦП «Интеграция науки и высшего образования России на 2002-2006 годы».
Реализация результатов и их внедрение. Разработанные подходы, методы и алгоритмы были программно реализованы, протестированы и внедрены в процессе создания нескольких крупных систем информационно-программной поддержки работы сотрудников организаций со знаниями, основными из которых являются
Информационно-программная система «Томограф 5 2» для интеграции, обработки и визуализации разнородных данных и информации нефтедобывающих организаций (система была внедрена и активно использовалась во многих нефтедобывающих объединениях Западной Сибири и республики Коми (ПО «Когалымнефтегаз», «Сургутнефтегаз», «Юганскнефтегаз», «Томскнефть», НГДУ «Урайнефтегаз», «Самотлорнефть», «Южоренбургнефть» СП «Белые ночи», «Нобель Ойл» и пр )
Система управления результатами научно-технической деятельности нефтяной компании «ЮКОС» (была внедрена в подразделениях компании в Москве, Самаре, Нефтеюганске, Стрежевом).
Web-портал по работе с явными и неявными знаниями Центра профессиональной подготовки специалистов нефтегазового дела Томского политехнического университета совместного с шотландским университетом «Heriot-Watt»
Система управления знаниями компании «ЭлеСи» (Томск), работающей в области создания информационных систем и электронных устройств, в рамках которой были разработаны стратегия управления знаниями компании, семантический web-портал управления знаниями, являющийся интеллектуальным ядром информационной системы компании, общая онтология компании и набор онтология по различным областям знаний («Управляемые электроприводы», «Пусконаладочные работы»), встроенные в сервер онтологии СУЗ, база знаний по профилям компетентности специалистов и экспертов компании, система стимулирования работы экспертов к обмену знаниями
На разработки, вьшолненные по результатам диссертации, получены четыре свидетельства о регистрации программ для ЭВМ выданные- РОСПАТЕНТом на «Семантический портал системы управления знаниями организации» (№ 2007610008) и на программную систему "Томограф", версия 5 (№ 960017), а также Отраслевым фондом алгоритмов и программ Федерального агентства по образования РФ (ОФАП) на «Программную систему управления результатами научно-технической деятельности» (№ 4607) и «Web-портал для работы с явными и неявным знаниями организацию) (№ 4608).
Практическая значимость полученных в диссертации результатов подтверждается дипломами и наградами, полученными за разработки, вьшолненные на основе диссертационной работы Среди наград можно отметить медаль лауреата Всероссийского выставочного центра № 578 (постановление от 17 08 2005 г №33) за экспонат «Корпоративная система управления знаниями» (Промэкспо-2005, 19-22 мая 2005 г.) и диплом 2 степени на конкурсе монографий подготовленных в Томском политехническом университете в 2005 году
Основные положения, выносимые па защиту:
Предложенный подход к созданию СУЗ на основе единой модели знаний организации, позволяет описывать разнородные ресурсы знаний организации и связывать процессы работы со знаниями с бизнес-процессами организации
Разработанная архитектура единой онтологической модели знаний организации, включающая онтологию организации и множества онтологии предметных областей по направлениям деятельности организации, позволяет выполнять достаточно полное и итеративное развитие онтологической модели, существенно уменьшать трудоемкость ее разработки
Предложенная методика создания онтологической модели на основе сценариев использования и последовательной ее формализации на основе подходов «снизу-вверх», «от середины» и «снизу-вверх» позволяет с требуемой детальностью описать рассматриваемую предметную область
Методы проверки согласованности и объединения онтологических моделей подобластей знаний организации, на основе задания синонимических связей между понятиями и проверки согласованности полученной онтологии с использованием модели дескриптивной логики позволяют повысить эффективность и точность работы с моделями
Модель описания ресурсов знаний, включающая контекстные и кон-тентные метаданные (состоящие из множества утверждений вида «субъект-предикат-значение») дает возможность описать, как контекстные связи между ресурсами знаний, так и содержащиеся в них знания, что позволяет правильно определять контекст их использования и повысить точность связи с решаемыми задачами бизнес-процессов
Методы ручного и полуавтоматического формирования контекстных и контентных метаописаний для объектов знаний организации позволяют, с достаточной для работы СУЗ точностью, описать ресурсы знаний организации
Методы вычисления близости контекстных и контентных метаданных, на основе оценки подобия утверждений (триплетов), используемых в их описаниях и положения понятий и отношений в онтологической модели, позволяют с высокой точностью определить семантическое сходство ресурсов знаний организации
Методы работы с онтологической моделью знаний по поиску, классификации и формированию рекомендаций на основе вычисления близости контекстных и контентных метаданных дают возможность решения базовых задач работы со знаниями организации
Методы описания и уточнения профилей компетентности специалистов организаций на основе обработки результатов квалификационного аудита и результатов анализа журнала их работы в системе облегчают выявление и использование скрытых знаний организации
10 Выявление активно работающих со знаниями бизнес-процессов и мно
гокритериальный выбор стратегии реализации СУЗ обеспечивают связь УЗ с со
стратегией и основными бизнес-процессами организации
Многоуровневая архитектура информационно-программного обеспечения СУЗ на основе онтологической базы знаний и семантического web-портала обеспечивает поддержку разнообразных процессов управления знаниями организаций разного типа
Результаты применения различных информационно-программных систем, созданных на основе предложенных в диссертационной работе подходов, методов и алгоритмов, показали их эффективность в части точности обеспечения комплексности и обоснованности предлагаемых решений
Публикации. Результаты диссертации опубликованы в 65 печатных работах, в том числе одна монография [1], 28 статей (из них 13 статей в изданиях рекомендованных ВАК [2-14] для опубликования результатов докторских диссертаций)
Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на разнообразных российских и международных научных конференциях различного уровня, среди которых можно отметить следующие.
Всероссийская конференция «ЗНАНИЯ - ОНТОЛОГИИ - ТЕОРИИ» с международным участием, Новосибирск, 2007
Международная конференция «Диалог — 2006», Бекасово, 2006
Вторая международная конференция по когнитивной науке CogSci-2006, Санкт-Петербург, 2006
Девятая научно-практическая конференция "Реинжинирин5г бизнес-процессов на основе современных информационных технологий Системы управления знаниями" (РБП-СУЗ-2006), Москва, 2006
Седьмой международный симпозиум «Интеллектуальные системы» (INTELS'2006), Краснодар, 2006.
Международный симпозиум "Информационные и системные технологии в индустрии образовании и науке", Караганда в 2003,2006 годах
Шестая международная конференция «Перспективные системы информатики», Новосибирск, Академгородок, 2006
Научно-практическая конференция «Современные средства автоматизации», Томск в 2004,2005 и 2006 годах
Корейско-российский международный симпозиум по науке и технике, KORUS в 1997,1998,2002,2003,2005 годах
Международный симпозиум "Визуальный анализ и интерфейс", Новосибирск, 1991
Вторая Всесоюзная конференция "Искусственный интеллект - 90", Минск, 1990
Структура и объем работы. Диссертационная работа включает введение, пять глав, заключение, список литературных источников, состоящий из 265 наименований и 10 приложений Общий объем диссертации составляет 373 страниц машинописного текста Работа содержит 106 рисунков и 34 таблицы
Модель процесса работы со знаниями
Из обзора литературы [133, 123], практического опыт и анализа большого количества концепций по УЗ [56] выявлено, что в большинстве случаев наиболее важными являются следующие 5 видов работ со знаниями: выявление, создание, хранение, распределение и применение.
Речь в данном случае идет как об идентификации знаний, так и о выявлении потребности в них для конкретной предметной области и конкретного вида деятельности. Первичным в данном виде деятельности являются анализ стратегических целей в производстве конкурентоспособных товаров и услуг (традиционных или принципиально новых) и выявление знаний, необходимых для достижения этих целей. На этом этапе важно осуществить «анализ разрыва», то есть выявить, какие существующие знания доступны и какие отсутствуют. Анализ необходимой информации и знаний выполняется как на уровне организации и ее основных структурных подразделений, так и на персональном уровне, то есть на уровне отдельных специалистов и профессиональных групп.
Идентификация существующих и необходимых знаний является весьма важным элементом в обосновании решений для обеспечения инновационного развития компании. При этом следует учитывать не только внутренние процессы и потребности компании, но и измеренные в количественном и качественном отношении требования потребителей.
К методам и инструментам, поддерживающим этот вид деятельности в организациях, относятся: системный анализ, семантический поиск, мозговой штурм, методики построения карт знаний, систематизированные опросы потребителей. Создание новых знаний
Существует много способов создания новых знаний. Создание новых знаний может происходить при решении сотрудниками организации задач в бизнес-процессах, при выполнении фундаментальных и прикладных НИР, в процессе деятельности аналитических и экспертных групп, при проектировании сложных объектов, процессов и систем. Заказчиком такого рода исследований, анализов, экспертиз, проектов может быть организация или ее структурные подразделения, преследующие определенные цели инновационного развития бизнеса.
На персональном или групповом (командном) уровне новые знания чаще всего являются результатом обучения, повышения квалификации, целенаправленного усвоения новой информации путем чтения профессиональных журналов и книг в традиционной или электронной формах, продуктом общения и взаимодействия при решении практических проблем и задач, результатом логического вывода и метода проб и ошибок. При этом максимально должен быть задействован накопленный ими опыт, их явные и неявные (скрытые) знания, из которых проистекают новые знания (явные и неявные). Их часто фиксируют в виде лучших практических решений (ЛПР).
Другим источником новых знаний является прием на работу (на временной или постоянной основе) специалистов недостающего профиля или специалистов, имеющих более высокий уровень знаний и опыт работы в других организациях. В качестве еще одного источника новых знаний может стать покупка другой компании вместе с ее специалистами, знаниями, технологиями и опытом. Хранение знаний
Хранение знаний в организациях необходимо для формирования и наращивания активов знаний (интеллектуального капитала, баз знаний), обеспечивающих как знаниевый, так и бизнес-процессы. Ввиду существенного различия явных и неявных знаний различаются и способы их хранения.
Явные знания хранятся в специально создаваемых для этой цели хранилищах знаний. Поскольку техническую и технологическую основу такого рода хранилищ составляют компьютеры и информационные технологии, то применяются и соответствующие способы помещения, пополнения и извлечения знаний из репозитариев. Для того чтобы потенциал репозитария знаний использовался в основных бизнес-процессах организации, необходимо осуществлять актуализацию и верификацию хранящихся в нем знаний применительно к новым задачам и меняющимся условиям бизнес-среды.
Неявные знания хранятся, прежде всего, в нейронных структурах головного мозга специалистов организации. Кроме того, они «хранятся» в группах, в командах, в организационных формах ежедневной деятельности (в правилах выполнения рутинных работ и процессов), которые описаны либо даже не описаны явно. Поскольку сотрудники, группы и команды постоянно присутствуют в организации, их знания доступны ей и используются многократно во всех без исключения бизнес-процессах. Они актуализируются и пополняются при решении новых или традиционных задач в меняющихся условиях бизнес-среды. Обмен знаниями
Целью данного вида деятельности (процесса) является передача знаний в нужное место, в нужное время, с нужным качеством. Общепризнано, что обмен знаниями является критически важным процессом в организационной среде (подразделении) независимо от того, является ли она проектной командой, формальной рабочей группой или сообществом по практической деятельности. Организационные структуры (среды, подразделения) обычно существуют для достижения коллективного результата, например, получения физических или интеллектуальных продуктов и/или услуг. Они создаются или появляются в связи с тем, что ни один из вовлеченных участников не может получить общий результат индивидуально. В связи с разделением труда и сопровождающих его фрагментацией, специализацией и распределением знаний требуется интегрировать разнообразие взаимодополняющих друг друга знаний для достижения коллективного результата [143]. Обмен знаниями становится необходимым средством для достижения коллективного результата как часть должностных обязанностей (требований к выполнению работы).
Многие практики и ученые предполагают, что так как обмен знаниями является критически важным для достижения коллективного результата, то сотрудники будут выполнять обмен знаниями как часть их рабочих обязанностей. Однако многие организации поняли на основе своего опыта, что обмен знаниями не всегда происходит на практике, независимо от того, используется ли стратегия человек-человек, или человек-документ [123].
Большая часть знаний лучше всего передается от человека к человеку посредством общения, сотрудничества на конференциях и семинарах, тренингов и наставничества. При этом используем язык для формализации и передачи мыслей (идей) методом произнесения слов, имеющих некий смысл по отдельности и в контексте разговора. Получатель знаний (информации) интерпретирует сообщения в контексте своего понимания мира. Если контексты собеседников по обсуждаемому вопросу схожи, собеседники могут понять друг друга. Однако такое положение бывает не всегда. Более того, общение может состоять из нескольких связанных последовательных шагов, и непонимание собеседников с каждым шагом нарастает. Ситуация может усугубляться еще и возникающими на пути сообщения шумами и искажениями оригинала.
Сами по себе знания не приводят автоматически к достижению лучшей эффективности работы организации. Знания как интеллектуальный ресурс только тогда могут что-то добавить к эффективности работы организации, если они правильно используется [217].
Исходя из схемы на рис. 1.5, можно построить модель эффективности работы организации как функцию:
Э = ЩП, Ф, П, К( И (3 (On, Вз, Инф, ЗП), Д, Р))), где
- Э - эффективность (конкурентоспособность) организации;
- 77- предприимчивость (организационная деятельность);
- Ф - финансовое обеспечение, 77- предвидение (дальновидность);
- К(И) - компетенция организации в основных областях ее деятельности;
- И (3 (On, Вз, Инф, 317), Д Р) - инновационность бизнеса;
- 3 (On, Вз, Инф, ЗП) - знания организации, которые определяются опытом On, уровнем взаимодействия сотрудников Вз, имеющейся информацией Инф, качеством выполнения процессов работы со знаниями ЗП;
- Д - деятельность, Р - умение руководить.
Отсюда можно сделать вывод, что управление знаниями отличается от управления организацией и получения конкурентоспособности. Множество знаний остаются неиспользованными либо не используются повторно. Главной задачей данного процесса является создание условий, для того, чтобы окупились все усилия, затраченные в предыдущих видах деятельности. Использование знаний является завершающей стадией процесса. Одновременно, и формально, и фактически, он является первым по важности, отправной точкой для того, чтобы знания создавались, хранились и распространялись. Именно в ходе использования знаний обнаруживаются разрывы в знаниях, на практике проверяется истинность «знаниевых утверждений», коммерческая полезность знаний в смысле повышения стоимости продукта или снижения затрат на его производство, приобретается новый опыт как источник новых знаний.
Представление и работа с онтологическими моделями с использованием дескриптивной логики
Дескриптивные логики (ДЛ) являются общим классом логик, специально спроектированных для моделирования словарей [111, 112, 167]. Они определяют формальный язык для понятий и отношений (называемых ролями) вместе с теорией доказательства. ДЛ является языком выражения утверждений о фактах (т. е. утверждений о том, что является истинным) и запросов к ним, включая выполнимость {satisfiability) и включение (subsumption). Элементами этого языка являются: понятие, которое представляет класс, категорию или сущность; роль, которая является бинарным отношением между понятиями. Кроме этого в ДЛ входят конструкторы (операции) для понятийных выражений, включающие конъюнкцию, дизъюнкцию и определение отношений.
Системы, построенные с помощью дескриптивной логики, используются для создания баз знаний (БЗ), которые представляются в виде пары ТЬох и Abox: ТЬох {terminological knowledge) - это набор утверждений, описывающих набор классов, их свойства и отношения между ними (интенсиональные знания); Abox (assertional knowledge) представляет собой реализацию схемы классов в виде набора экземпляров, содержащих утверждения об экземплярах понятий (экстенсиональные знания;). По существу, ТЬох является моделью того, что может быть истинным, a Abox — моделью того, что в настоящее время является истинным.
ДЛ имеет формальную семантику, которая может использоваться для выполнения автоматического доказательства на основе БЗ. Автоматическое доказательство позволяет отвечать на такие запросы, как выполнимость понятий (satisfiability) - может ли существовать некоторое понятие С; включение (subsumption) - является ли некоторое понятие С вариантом понятия D; согласованность (consistency) - является ли вся БЗ согласованной; и проверка экземпляра (instance checking) - является ли некоторое утверждение истинным.
Смысл ДЛ, кратко, может быть определен модельно-теоретической семантикой [236]. ДЛ определяется интерпретацией, / = (Л1, ), где Д1 - домен рассуждений; а не пустое множество - функция интерпретации, которая сопоставляет каждое понятие с подмножеством Д1. Понятию С интерпретация сопоставляет множество С?, а каждой роли R подмножество (Д1 х Д1).
Понятия могут строиться из выражений. В состав операторов включается базовый набор операций (дополнение, объединение и пересечение множеств) и количественные ролевые ограничения. В табл. 2.1 приведены операторы (конструкторы) и их семантика в ДЛ.
Аксиомы определяют отношения включения (subsumption relations) между понятиями {А с В) (т. е. (А = В)) и ролями (R с S). Первое утверждение определяет иерархию понятий (классов), а второе — иерархию отношений. Отметим, что аксиомы могут быть определены для выражений, например, ((В л С л -н ) с А).
В ДЛ любой запрос сводится к определению выполнимости (satisfiability) БЗ (т. е. ее логической согласованности). Таким образом, для ответа на запрос Q требуется доказать, что «not Q» является не выполнимым (т. е., текущая БЗ не может предполагать not Q), что в этом случае приводит к заключению, что Q должно быть истинным. Понятно, что этот метод может быть менее эффективен, чем более простые модели, такие как реляционные. Преимуществом использования этого универсального метода вывода является то, что он может использоваться даже в тех случаях, когда БЗ является не полностью определенной.
С помощью автоматического доказательства можно формировать ответы на запросы к ТЪох (схеме) и АЪох (экземплярам). Запросы к ТЪох определяют классификацию и отношения между понятиями, а запросы к АЪох определяют текущее состояние известных фактов. Выполнимость понятия является доказательством того, что понятие, или понятийное выражение, является логически согласованным с БЗ.
Дескриптивная логика может использоваться для управления онтологическими моделями путем отображения понятий и отношений онтологии в утверждения логики. В этом случае при выполнении доказательств будут использоваться экземпляры понятий, представленных в онтологии. ДЛ используется для создания баз знаний, доказательства логической согласованности баз знаний и ответа на запросы к ним. Доказательство выполнимости БЗ (т.е. то, что она не является логически противоречивой) является обоснованием правильности онтологии.
Сформированные с использованием ДЛ базы знаний также могут использоваться и для обработки запросов. Ответы на запросы получаются в результате кодирования запроса в виде понятий ДЛ и доказательства того, что эти понятия являются выполнимыми. Если запрос является выполнимым, то понятие, описанное в запросе, является логически согласованным с онтологией. Кроме этого, операция включения ДЛ может использоваться для обнаружения отношений класс-подкласс, которые заданы в онтологии неявно.
В предлагаемом подходе [62, 69, 76] онтологии предметных областей отображаются на ДЛ посредством набора преобразований, которые позволяют неявные предположения из модели перенести в онтологию. На рис. 2.7 показана, последовательность работы с онтологией с использованием ДЛ.
В соответствии с рассматриваемым подходом первоначально выполняется неформальное построение модели знаний предметной области (1) путем определения набора основных понятий и отношений между ними. Выявленные в результате этого понятия и отношения используются для описания неформальной онтологии (2). Затем полученная онтология должна быть описана на некотором формальном языке (3), т.е. языке, который имеет строгое соответствие с формальной логикой. После этого описание онтологии считыва-ется программой, которая выполняет грамматический разбор закодированной онтологии и создает структуры данных в виде множества экземпляров понятий (4). Полученные структуры данных передаются в систему логического вывода, которая интерпретирует их для формирования утверждений дескриптивной логики (5). Сформированная таким образом модель ДЛ может использоваться для выполнения запросов к ней с использованием некоторого интерфейса. В результате всех этих действий доказательства, выполняемые на логической модели, будут использовать факты из онтологии и исходной модели (6).
Для записи онтологии на формальном языке (2) могут использоваться стандарты Semantic Web, которые определяют XML-язык для кодирования онтологии, называемый Web Ontology Language (OWL) [256]. Язык OWL-DL является подмножеством OWL-языка, хорошо согласующегося с ДЛ. Онтология, написанная на языке OWL, может интерпретироваться в набор утверждений базы знаний [111]. Если удастся доказать, что база знаний логически согласована, то это будет означать, что онтология также является согласованной, т. е. правильной. Формальная семантика означает, что запросы к базе знаний отражают факты об онтологии. В отличие от стандарта XML [96] документ OWL DL в действительности является логической программой.
Эта технология предоставляет формальный язык для кодирования онтологии вместе с универсальным XML-форматом для ее совместного использования. Вместе они составляют необходимый фундамент для использования онтологии в системах управления знаний, работающих с онтологической моделью.
Для формирования логических структур и обработки запросов могут использоваться системы логического вывода, которые выполняют автоматическое доказательство теорем на моделях ДЛ. В настоящее время доступно несколько таких систем логического вывода. Например, система CORBA FaCT Server реализует БЗ и автоматическое доказательство для ДЛ SHIQ{D) [209] (здесь Sобозначает логику ALCR+, aD- говорит о том, что используются стандартные типы данных). Система логического вывода RACER [160, 161] реализует аналогичный набор сервисов для ДЛ ALCNHR+, которая очень схожа с SHIQ.
Взаимодействие с системой логического вывода может выполняться с использованием стандартного высокоуровневого протокола DIG DL {Description logic Implementation Group protocol) [238]. Многие системы логического вывода поддерживают такой интерфейс, который позволяет выбирать в СУЗ наиболее подходящую систему логического вывода.
Тестирование метода семантического поиска по контентным метаданным
Тестирование метода семантического поиска по контентным метаданным выполнялось с точки зрения качества поиска. Параметрами, по которым обычно оценивается качество работы поисковых систем, являются точность и полнота поиска. Как показывает практика, для существующих в сети Интернет полнотекстовых поисковых систем данные показатели находятся на уровне 50% [37]. Это связано с тем, что реальная релевантность, как правило, ниже формальной релевантности, а удовлетворенность, как правило, ниже реальной релевантности (рис. 3.17).
Отмеченное снижение релевантности на пути от формальной оценки до оценки человеком связано с преобразованиями, которые претерпевает информационная потребность человека до попадания в ИПС. В результате этих преобразований в изначальную информационную потребность вносятся искажения:
Человек может неточно выразить свою информационную потребность.
Кроме этого искажения вносятся во время формирования ПОЗ. Чаще всего это выражается в утрате контекста поиска. Под утратой контекста надо понимать использование слов из информационного запроса не в том смысле, который заложен в них человеком. Основанная причина утраты контекста - полисемия и омонимия естественного языка.
ПОД также может неточно отражать текстовое содержание документа. Основная причина - утрата контекста.
Метод вычисления формальной релевантности также вносит погрешность.
Метод вычисления близости семантических метаданных, на котором основывается семантический поиск, разрабатывался с целью уменьшения искажений при формировании ПОЗ и ПОД и при расчете формальной релевантности (табл. 3.13).
Специфика полнотекстовых ИПС в том, что основной причиной снижения точности и полноты являются искажения при формировании ПОЗ и ПОД (они формируются автоматически), а методы расчета формальной релевантности имеют высокий показатель качества. В ИПС с ограниченным словарем понятий (тезаурус или онтология) повышается качество формирования ПОЗ и ПОД (за счет участия человека). Поэтому при сохранении качества расчета формальной релевантности в этих ИПС показатели полноты и точности поиска могут быть улучшены.
Для проверки качества расчета формальной релевантности трем потенциальным пользователям семантической подсистемы (далее, тестеры) было предложено вручную оценить формальную релевантность 4-х запросов относительно семантических метаданных всех 160-ти документов. Всем тестерам были предложены одинаковые запросы, которые были подобраны таким образом, что алгоритм семантического поиска возвращал непустое множество документов.
В задачи тестера входил отбор семантических метаданных документов, подходящих под запрос (рис. 3.18), а также проставление оценок релевантности по шкале [0;1] для каждого элемента из запроса каждому элементу семантических метаданных документов.
На основании полученных данных было выполнено сравнение результатов работы тестеров с результатами работы алгоритмов семантического поиска (раздел 3.4.4). Для этого по аналогии с показателями полноты и точности рассчитывались показатели формальной полноты и формальной точности.
Алгоритмы семантического поиска показали высокие результаты по формальной полноте и точности поиска. Однако их нельзя сравнивать с показателями полноты и точности полнотекстовых ИПС в силу того, что формальные показатели не учитывают удовлетворенность пользователей результатами поиска. В данном тестировании удовлетворенность не была оценена потому, что семантические метаданные документов были сгенерированы произвольным образом и не отражали текстового содержания документов. Тем не менее при достижении высокой степени соответствия семантических метаданных текстовому содержанию документов можно ожидать высоких показателей полноты и точности поиска предложенных алгоритмов семантического поиска.
В результате тестирования зафиксировано снижение формальной точности поиска для запросов 2 и 3 при оценке вторым тестером (табл. 3.16).
Анализ причин этого снижения выявил, что пользователи могут по-разному интерпретировать включение понятия из онтологии в поисковый запрос. Понятие в запросе может использоваться как для ссылки на термин из предметной области, так и для целенаправленного объединения нескольких понятий в группу. Например, в запросе указано понятие «Контроллер». Такой запрос можно интерпретировать как:
Найти документы о том, что такое контроллер и как он устроен, исключая документы с описаниями конкретных моделей контроллеров.
Найти документы обо всех конкретных моделях контроллеров, описанных в базе знаний.
Найти все документы, которые касаются контроллеров в общем и которые связаны с конкретными моделями контроллеров.
Разработанные алгоритмы семантического поиска (раздел 3.4.4) учитывают только третий вариант.
Результаты работы тестеров также использовались для определения значений коэффициентов, необходимых при сравнении элементов онтологии во время семантического поиска (выражения 3.13, 3.14). Тестеры указывали сходство между элементами запроса и элементами семантических метаданных документов. На основании этих оценок для каждого типа пар сравниваемых элементов было получено среднее значение соответствующих коэффициентов (табл. 3.17).
Коэффициент dIC указывает на то, что тестеры в некоторых ситуациях сочли релевантными те семантические метаданные документов, в которых не упоминался искомый экземпляр. А значение коэффициента da подтверждает наличие указанной выше проблемы интерпретации понятий в запросе. Указанные коэффициенты опосредованно используются при расчете показателя Ф5 (выражение 3.22), который позволяет ранжировать найденные объекты СУЗ.
Информационно-программное обеспечение для системы управления явными и неявными знаниями образовательной организации
Система управления явными и неявными знаниями образовательной организации была разработана для Центра профессиональной переподготовки специалистов нефтегазового дела ТПУ [49, 58]. Программная реализация данного портала была зарегистрирована в Отраслевом фонде алгоритмов и программ «Web-портал для работы с явными и неявным знаниями организации» под номером № 4608 от 29.04.2005 [67] (приложение 5). Назначение разработанной системы:
Совершенствование учебного процесса с использованием базы знаний и доступа к мировым информационным ресурсам.
Продолжение повышения квалификации выпускников центра (ознакомление с передовым мировым опытом).
Оказание помощи выпускникам в практической работе.
Система являться web-приложением с возможностью доступа к ней из сети Internet и разработана на основе технологий компании Microsoft (рис. 5.7). Система иметь возможность адаптации и переноса своих данных в создаваемую систему управления знаниями НК ЮКОС. Информационно-программное обеспечение системы было реализовано в виде портала с названием «Petroleum Engineers Virtual Network».
В рамках данного портала были опробованы алгоритмы ведения модели знаний организации в виде тезауруса [50], алгоритм формирования описаний объектов с использованием поиска лексических меток в тексте документа (раздел 3.2.2), автоматический пересчет профиля пользователей на основе анализа его работы в системе. В данной реализации результатом работы алгоритма являются не понятия и экземпляры из онтологии, а термины из тезауруса.
Система включает следующие функции, обеспечивающие управление неявными знаниями:
доступ к информации о специалистах в системе;
поиск специалистов, владеющих знаниями по искомой проблеме;
взаимодействие специалистов посредством электронной почты;
взаимодействие специалистов посредством on-line-общения;
взаимодействие специалистов посредством дискуссий;
автоматическое сохранение и доступ других сотрудников к результатам взаимодействия специалистов;
ранжирование специалистов в зависимости от их активности в процессе распространения знаний;
курирование экспертами процесса обмена знаниями.
Система предоставляет следующие функции, обеспечивающие управление явными знаниями:
хранение документов и ссылок на другие источники информации;
добавление документов и ссылок на другие источники информации;
простой и расширенный поиск по имеющимся документам;
наличие рубрикатора хранимых знаний;
ранжирование документов в зависимости от частоты обращения к ним;
получение пользователями новостей по интересующей их тематике.
Для описания явных и неявных знаний в системе используется словарь предметной области - тезаурус. Тезаурус содержит термины на русском и английском языках. Между терминами могут быть заданы отношения «перевод», «синоним», «близкий». Термины словаря используются для описания профилей деятельности специалистов, а также для описания документов и ссылок.
Раздел «Тезаурус» предназначен для формирования словаря терминов, имеющих отношение к профессиональной деятельности пользователей портала PEVN, а также для получения справочной информации относительно значения терминов, занесенных в словарь.
База данных, которую использует раздел «Тезаурус», реализована в Microsoft Web Storage System (/Portal/Resources/Thesaurus) и имеет структуру, представленную нарис. 5.8.
База данных состоит из трех таблиц: Concepts, Terms и Relations. Таблица Concepts хранит описания используемых терминов. Таблица Terms содержит названия терминов. Таблица Relations содержит отношений между понятиями (табл. 5.1). На рис. 5.9 приведена схема данных тезауруса. В качестве базовых элементов тезауруса выступают понятия. Поскольку разные термины могут относиться к одному понятию, то есть иметь одинаковый смысл (явление синонимии), то одной записи таблицы понятий может соответствовать несколько записей таблицы терминов (отношение один ко многим). Отдельное понятие может быть связано с несколькими другими понятиями.
Так, например, двигатель, являясь частью транспортного средства, в свою очередь состоит из более мелких частей - деталей. В результате, одно и то же понятие может встречаться в разных записях таблицы отношений (связь один ко многим).
Интерфейс для работы пользователя с тезаурусом представлен пятью интерактивными Web-формами: основная страница, редактор терминов, редактор отношений, информация о термине и редактор ключевых слов.
Варианты работы пользователя с тезаурусом можно разделить на два блока функций:
1. Использование тезауруса (доступно всем пользователям, независимо от их статуса): получение справочной информации по терминам; определение ключевых слов для объектов системы.
2. Формирование тезауруса (доступно пользователям со статусом «эксперт» и «администратор»): добавление термина в словарь; добавление нового термина (на русском и/или английском языке); добавление синонима к уже существующему термину; добавление термина, который служит переводом для уже существующего; изменение термина, ранее занесенного в словарь; удаление термина из словаря; определение отношений между терминами.
Термины указывают на основные направления деятельности, круг интересов пользователя, тематическую направленность раздела каталога или опубликованного документа и т.д. Описания объектов используются сервисами портала при их поиске и категоризации.
Сила связи термина с объектом представляет собой дробное число меньше единицы, например, в качестве таких значений могут быть выбраны: 0,3 - слабая связь; 0,7 - сильная связь. Значения силы связи учитываются при ранжировании результатов семантического поиска объектов.
Для задания терминов в описании объектов служит специальный редактор метаописаний. Элементы управления редактора метаописаний показаны на рис. 5.14.
