Практические технологии и система менеджмента знаний Профессор кафедры

Практические технологии и система менеджмента знаний Профессор кафедры управления образованием Доктор педагогических наук, кандидат технических наук профессор Долматов Александр Васильевич

Управление знаниями на практике Управление знаниями - это процесс, в ходе которого мы сознательно создаем, структурируем и используем базу знаний нашей компании. Чтобы управлять знаниями, необходимо ответить на следующие вопросы: • Кто в компании обладает знаниями? • Где они их хранят? • Как мы обеспечиваем обмен знаниями? • Как знания создаются? • Кто еще в них нуждается? • Как они передаются? • Как они обновляются? • Как и где они хранятся? • Как организован доступ к хранящимся в компании знаниям? • Какие знания нам нужны теперь и какие потребуются в будущем? • Сколько стоят все эти знания? • Какие из них представляют наибольшую ценность? • Используются ли они там и тогда, где и когда должны использоваться?

Управление знаниями на практике • Знания - это нечто большее, чем и данные, и информация. К знаниям также относятся: • убеждения и моральные ценности; • идеи и изобретения; • суждения; • навыки и профессиональные познания; • теории; • правила; • отношения; • мнения; • понятия; • прошлый опыт. Все вышеперечисленное (или только часть из этого) мы используем для того, чтобы объяснить) и понять данные и информацию, чтобы превратить информацию в знания.

Явные знания – знания, подставленные в компании в рамках какого-либо носителя. Традиционно, большинство менеджеров указывают в качестве таких носителей должностные инструкции, регламенты и положения о деятельности подразделений, корпоративные учебные пособия и многое другое. Управление явными знаниями сводится к следующей группе технологий • комплексной организации такого знания (хранилища и таксономии); • создания систем обеспечения разграниченного доступа персонала компании к необходимым знаниям; • навигации в системе формальных знаний; • поиска необходимых формальных знаний. Если бы системы управления знаниями исчерпывались таким подходом, они назывались бы просто корпоративными архивами.

Неявные знания • Неявные знания – два аспекта работы с ними Оба аспекта касаются носителей неявных знаний. • В первом случае носителем неявного знания может быть человек. Неявное знание представлено как продукт личного опыта, который отражает его убеждения, моральные ценности и взгляды. Эти знания нельзя увидеть, сложно задокументировать, а передать их можно только посредством личного и непосредственного общения (чаще совместной работы). Например, такие знания передаются опытным коллегой новичку при рассказе о том, как нужно себя вести с агрессивно настроенными клиентами. Опытный сотрудник приводит случаи из своей практики, излагает подходы, которые выработались в компании в отношении таких клиентов. Организационные, коммуникативные, психологические технологии позволяющих реализовать следующие процессы: • отчуждения (копирования) необходимых знаний у сотрудников компании и их размещение в корпоративном хранилище знаний; • обучение персонала компании; • обмен знаниями между сотрудниками компании; • стимулирование использования имеющихся неявных знаний персонала.

Неявные знания Во втором случае неявные знания могут содержаться в массивах данных, которые содержатся в корпоративном хранилище данных. Таким знанием может стать понимание конкретного корпоративного процесса, полученное в ходе исследования и обнаружения алгоритмами статистического анализа и искусственного интеллекта в "сырых" данных скрытых структур, шаблонов или зависимостей. Самым простым примером является ABC и XYZ анализ динамики изменения складских запасов вашей компании. В ходе такого анализа компания получает понимание того, какие именно позиции обеспечивают основную долю прибыли, а какие позиции замораживают оборотные средства. В этом случае речь идет о группе технологий позволяющих извлекать знания из массивов данных собранных в компании: • статистический анализ; • технологии искусственного интеллекта. Эта группа технологий превращает управление знаниями из концепции обмена знаниями в инструмент оптимизации интеллектуальных активов компании.

Извлечение (формализация) знаний В рамках этого блока мы выделяем две задачи: 1. Извлечение (формализация) неявных знаний персонала Для извлечения неявных знаний мы можем использовать целый арсенал методов извлечения знаний: • Экспертное интервью (Это может быть интервью проводимое инженером по знаниям с целью формализации знаний, интервью при увольнении сотрудника с целью сохранения знаний, обучающее интервью) • Заполнение анкет и форм учета знаний (CRM, описание лучших практик) • Формализация экспертных дискуссий (инженер по знаниям может преобразовать дискуссию, прошедшую на форуме или совещании в обучающую аннотацию или справку) • Наблюдение • Но для того, чтобы вам не пришлось повторно организовывать процедуру извлечения, позаботьтесь о хранении и учете полученных знаний.

Извлечение (формализация) знаний 2. Извлечение знаний из массивов данных, накопленных в компании Для извлечения знаний из массивов данных мы можем использовать две основные группы инструментов: • Алгоритмы статистического анализа (критерии анализа) • Алгоритмы искусственного интеллекта (data mining, text mining, web mining, нейронные сети и др. ) Результат, полученный в ходе применения приведенных алгоритмов можно будет принимать как конкретное знание только при соблюдении ряда условий: • Вы четко представляете цель анализа (четко формулируете вопрос); • Структура собранных данных позволяет обработать базу данных в соответствии с вашим запросом (вы имеете необходимые данные).

Элементы блока извлечения и хранения знаний • "Экстернализация" - функции, поддерживающие процедуру отчуждения знаний и их трансформацию в формализованный вид.

Извлечение знаний • Knowledge Discovery in Databases (KDD) — это процесс поиска полезных знаний в "сырых" данных. KDD включает в себя вопросы подготовки данных, выбора информативных признаков, очистки данных, применения методов Data Mining, постобработки данных, интерпретации полученных результатов. • Data Mining (добыча (извлечение) знаний) — новая технология интеллектуального анализа данных с целью выявления скрытых закономерностей в виде значимых особенностей, корреляций, тенденций и шаблонов. Современные системы добычи данных используют основанные на методах искусственного интеллекта средства представления и интерпретации, что и позволяет обнаруживать растворенную в терабайтных хранилищах не очевидную, но весьма ценную информацию. Фактически, мы говорим о том, что в процессе Data mining система не отталкивается о заранее выдвинутых гипотез, а предлагает их сама на основе анализа. Это означает, что в ходе анализа массива данных о продажах моей компании за определенный период я могу получить не известные мне до этого, подтвержденные гипотезы о существенных закономерностях в данных.

Извлечение знаний Существует множество определений Data Mining, но в целом они совпадают в выделении четырех основных признаков. Согласно определению, Г. Пиатецкого-Шапиро (G. Pia-tetsky Shapiro, GTE Labs), одного из ведущих мировых экспертов в данной области, Data Mining — исследование и обнаружение алгоритмами, средствами искусственного интеллекта в "сырых" данных скрытых структур, шаблонов или зависимостей, которые: • ранее не были известны; • нетривиальны; • практически полезны; • доступны для интерпретации человеком и необходимы для принятия решений в различных сферах деятельности.

Переработка знаний Специфика современных требований к такой переработке следующая: • данные имеют неограниченный объем; • данные являются разнородными (количественными, качественными, текстовыми); • результаты должны быть конкретны и понятны; • инструменты для обработки "сырых" данных должны быть просты в использовании. Традиционная математическая статистика, долгое время претендовавшая на роль основного инструмента анализа данных, не отвечала возникшим проблемам. Главная причина — концепция усреднения по выборке, приводящая к операциям над фиктивными величинами. Методы математической статистики оказались полезными главным образом для проверки заранее сформулированных гипотез и для "грубого" разведочного анализа, составляющего основу оперативной аналитической обработки данных OLAP.

Переработка знаний В основу современной технологии Data Mining положена концепция шаблонов (pattern), отражающих фрагменты многоаспектных взаимоотношений в данных. Эти шаблоны представляют собой закономерности, свойственные подвыборкам данных, которые могут быть компактно выражены в форме, понятной человеку. Поиск шаблонов производится методами, не ограниченными рамками априорных предположений о структуре выборки и виде распределений значений анализируемых показателей. Причины эффективности Data Mining: • стремительное накопление данных (счет идет уже на экзабайты); • всеобщая компьютеризация бизнес-процессов; • проникновение Интернет во все сферы деятельности; • прогресс в области информационных технологий: совершенствование СУБД и хранилищ данных; • прогресс в области производственных технологий: стремительный рост производительности компьютеров, объемов накопителей.

Технология глубинного анализа текста Text Mining способна выступить в роли "репетитора", который, проштудировав весь курс, преподает лишь наиболее ключевую и значимую информацию. Таким образом, пользователю незачем "просеивать" огромное количество неструктурированной информации. Разработанные на основе статистического и лингвистического анализа, а также искусственного интеллекта технологии Text Mining как раз и предназначены для проведения смыслового анализа, обеспечения навигации и поиска в неструктурированных текстах. Применяя построенные на их основе системы, пользователи смогут получить новую ценную информацию - знания. • Классическая схема обработки текстов подразумевает несколько последовательных этапов: на первом происходит нормализация слов с учетом морфологии языка; на втором - семантический анализ текста, когда уточняется конкретный смысл слова в зависимости от контекста. Затем строится семантический образ исходного документа, на основе которого делаются интеллектуальные запросы на анализ текстов.

Технология глубинного анализа текста Важный компонент технологии Text Mining связан с извлечением из текста его характерных элементов или свойств, которые могут использоваться в качестве метаданных документа, ключевых слов, аннотаций. Другая важная задача состоит в отнесении документа к некоторым категориям из заданной схемы их систематизации. • Text Mining - алгоритмическое выявление прежде неизвестных связей и корреляций в уже имеющихся текстовых данных. • Аналитические системы для работы с текстами документов необходимы для комплексного анализа предметной области в больших информационных хранилищах (архивах) документов. • Результаты аналитической обработки документов мониторинга предметных областей используются в математическом прогнозировании и анализе рынков и социальной обстановки. • Аналитические системы обработки документов - пример процедуры извлечения знаний. Средства, позволяющие решать задачи извлечения знаний из огромного информационного потока (хранилища документов), - обязательный инструмент аналитика в системе управления знаниями.

Технология анализа сетевой информации • Специфика Web Mining заключается в применении традиционных технологий Data Mining для анализа крайне неоднородной, распределенной и значительной по объему информации, содержащейся на web-узлах. Здесь можно выделить два направления. Это Web Content Mining и Web Usage Mining. В первом случае речь идет об автоматическом поиске и извлечении качественной информации из перегруженных "информационным шумом" источников сети Интернет, а также о всевозможных средствах автоматической классификации и аннотировании документов. Данное направление также называют Text Mining. Web Usage Mining направлен на обнаружение закономерностей в поведении пользователей конкретного web-узла (группы узлов). В частности на то, какие страницы, в какой временной последовательности и какими группами пользователей запрашиваются. • Благодаря подобному анализу вы можете получить представление о существующих патернах (шаблонах) поведения посетителей на вашем портале управления знаниями. Следовательно, с учетом этих шаблонов вы можете оптимизировать содержание портала для того, чтобы ваш пользователь как можно эффективней работал с системой знаний представленной на вашем портале.

Технология комплексного многомерного оперативного анализа данных • Технология комплексного многомерного оперативного анализа данных получила название OLAP (On-Line Analytical Processing). OLAP — ключевой компонент организации хранилищ данных. • Средства оперативного анализа базируются на концепции многомерного представления данных. Каждое числовое значение, содержащееся в хранилище, имеет до нескольких десятков атрибутов (например, количество продаж таким-то менеджером в таком-то регионе такого-то числа). Таким образом, можно считать, что мы имеем дело с многомерными структурами данных — многомерными кубами. Именно это допущение и делается при построении OLAP-инструментария. В результате, с помощью OLAP мы можем получать максимально разнообразные количественные характеристики собранных данных, и в дальнейшем подвергать из статистической обработке. К типичным задачам, в частности, относятся: • анализ клиентской базы; • анализ продаж; • анализ доходов; • а также управление пассивами и активами.

Система управления взаимодействием с клиентами (сокр. от англ. Customer Relationship Management System, CRM-система) - корпоративная информационная система, предназначенная для улучшения обслуживания клиентов путем сохранения информации о клиентах и истории взаимоотношений с клиентами, установления и улучшения бизнеспроцедур на основе сохраненной информации и последующей оценки их эффективности. Основные принципы: • наличие единого хранилища информации, откуда в любой момент доступны все сведения обо всех случаях взаимодействия с клиентами; • синхронизированность управления множественными каналами взаимодействия (то есть существуют организационные процедуры, которые регламентируют использование этой системы и информации в каждом подразделении компании); • постоянный анализ собранной информации о клиентах и принятии соответствующих организационных решений — например, приоритетизации клиентов на основе их значимости для компании.

Хранение знаний Любые формальные (явные) знания компании должны иметь свое место в системе хранения этих знаний. Требования: • Обеспечение надежности хранения • Система хранения знаний должна регламентировать доступ персонала к этим знаниям (каждые сотрудник должен получить доступ только к тем знаниям, которые ему необходимы в рамках его процессов). • Система должна обладать понятно навигацией для использования. • Система должна обеспечивать эффективный поиск необходимых знаний.

Основные элементы блока системы управления – организация и хранение знаний • "Комбинация знаний". Эта часть модели описывает процедуры, в которых участвуют лишь формализованные знания. К ним относятся средства работы с электронными документами, базами данных, архивами электронных публикаций и сообщений.

Хранилище данных (Data Warehouse, DW) • • • хранилище данных (Data Warehouse, DW) - предметно ориентированная, интегрированная, неизменчивая во времени, не разрушаемая совокупность данных, предназначенная для поддержки принятия решений. Если говорить об основных ее составляющих, то необходимо отметить следующее: предметная ориентированность - локальные базы данных содержат мегабайты прямой и косвенной информации, порой абсолютно не нужной для дальнейшего анализа. С учетом этого фактора проектирование хранилища данных осуществляется исключительно с с целью накопления необходимых (или потенциально необходимых) данных; интегрированность (целостность и внутренняя взаимосвязь) - несмотря на то что данные погружаются из различных источников, но они объединены единой макроструктурой, стандартами обмена, способами измерения атрибутов и др. Это имеет большое значение для корпоративных организаций, в которых одновременно могут эксплуатироваться различные по своей архитектуре вычислительные системы, представляющие одинаковые данные по-разному. Например, могут использоваться несколько различных форматов представления дат или один и тот же показатель может называться по-разному, например, "вероятность доведения информации" и "вероятность получения информации". В процессе погружения подобные несоответствия устраняются автоматически; отсутствие временной привязки - DW содержит исторические данные, накопленные за большой интервал времени (пять—семь лет); неразрушаемая совокупность данных - модификация данных не производится, поскольку может привести к нарушению их целостности.

Корпоративные желтые страницы и карты знаний • Корпоративные желтые страницы представляют собой корпоративную базу данных экспертов в системе управления знаниями, и нацелены на обнаружение людей с требуемыми экспертными знаниями. • Карта знаний – карта, отражающая распределение элементов знаний между различными объектами организации, такими как организационная единица, функция, процесс, местонахождение и т. п. Дополнительно на карте может устанавливаться степень покрытия (coverage) элементом знаний соответствующей потребности. • Чаще всего, в качестве основы для карты знаний избирается схема организационной структуры компании, на базе которой отражаются носители и перечень актуальных знаний. Создание и поддержание карты знания являются основными задачами Аудита знаний.

Таксономия • • Таксономия - теория классификации и систематизации сложно организованных областей знаний. Таксономия представляет иерархически выстроенную систему целей и результатов от простой к сложной системе. Математически таксономией является древообразная структура классификаций определенного набора объектов. Вверху этой структуры - объединяющая единая классификация - корневой таксон - которая относится ко всем объектам данной таксономии. (Таксоны), находящиеся ниже корневого, являются более специфическими классификациями, которые относятся к поднаборам общего набора классифицируемых объектов. Например, в классификации организмов Карла Линнея корневым таксоном является организм. Ниже в этой таксономии находятся тип, класс, отряд, семейство, род и вид. Корпоративная таксономия составляет основу структуры системы управления знаний в компании. Именно на ее основе осуществляется накопление данных, информации и знаний, координация отдельных элементов системы управления знаниями, поиск. Основная проблема таксономии в системе управления знаниями заключается в том, что как внешняя так и внутренняя среда организации не является стабильной. Меняется рыночное окружения, меняется персонал компании, старые плану реализуются и возникают новые. Все это приводит к периодическому переосмыслению функции организации, и как следствие, реорганизации системы знаний в компании. Реорганизация подразумевает изменение структуры – изменение классификации знаний.

Обмен знаниями • Обмен является одним из ключевых способов распространения неявных знаний в компании. Именно благодаря обмену система управления знаниями становится самовоспроизводимой. • "Социализация знаний" отражает специфические функции обмена неформализованными знаниями между сотрудниками компании. Одним из наиболее эффективных путей развития практики обмена знаниями является путь создания сообществ. Это могут быть как проектные сообщества практиков, так и обучающиеся сообщества.

Процессы обмена знаниями Условия продуктивного обмена знаниями • • Понимать, кто владеет необходимыми знаниями Компания должна понимать, кто именно в ее среде является носителем ключевых знаний и после этого необходимо понимать, как можно способствовать обмену знаниями в среде корпоративных специалистов • Создать благоприятную среду обмена знаниями В этом случае речь идет о двух аспекта: мотивация обмена и условия обмена. Мотивация • Культура компании должна поддерживать любое начинание в процессе обмена знаниями. • Это могут быть специальные программы мотивации обмена знаниями • Декларируемые и поддерживаемые компанией ценности доверия и обмена знаниями • Существующая система мотивации и профессионального становления не должна противоречить концепции обмена знаниями. (в ситуации внутрифирменной конкуренции обмен знаниями может быть существенно затруднен) Условия • условия для встреч - мероприятия (совещания, обучение, корпоративные праздники), коммуникативные технологии (портал управления знаниями, форумы, чаты, видео конференции и дт. ) • условия для общения – регламент должен предусматривать возможность общения специалистов • условия для обсуждения – доски и маркеры (либо другие технические приспособления) в традиционных местах общения специалистов

Использование знаний • Интернализация знаний" охватывает все аспекты обучения, ее функции поддерживают преобразование формализованных знаний в скрытую форму.

Пример архитектуры системы управления знаниями

Пример систематизации программных средств управления знаниями

• Компания ЗАО "АЙКУМЕН-ИНФОРМАЦИОННЫЕ БИЗНЕССИСТЕМЫ" более 10 ЛЕТ занимается разработкой и совершенствованием систем для обработки неструктурированной информации.

Система "Айкумена Аналитик" компании IQMen обеспечивает информационно-аналитическую поддержку принятия решений c помощью таких современных технологий как: • Автоматический сбор информации из разнородных источников: электронные СМИ, аналитические агентства, специализированные базы данных. • Автоматическое составление и рассылка индивидуальных тематических отчетов экспертам и руководству. • Средства графического анализа событий по любой тематике, оперативное выявление в новостном потоке горячих тем. • Мгновенная подготовка досье по любому вопросу. • Выборка наиболее важной фактической информации - дат, финансовых данных, персон и организаций. • Автоматическое выявление физических и юридических лиц, имеющих отношение к любому вопросу и анализ взаимосвязей между ними.

Четыре фазы процесса освоения знания • Неосознанная некомпетентность – мы просто не знаем, что нам не хватает какого-либо знания. В этом случае, если кто-то подойдет к нам и попытается нам передать какое-либо знание – скорее всего усилия будут напрасны. • Осознанная некомпетентность – мы понимаем, что не обладаем необходимыми знаниями и готовы получать знания. Но в этом случае мы должны доверять источнику знаний, который нам предлагает компания. В противном случае наше обучение не будет эффективным. • Осознанная компетентность – мы в состоянии применять полученные знания только осознанно контролируя наши действия. Но это е значит, что в случае необходимости действовать оперативно мы сможем применить это знание. • Неосознанная компетентность – только на этом этапе мы владеем знанием на достаточном профессиональном уровне.

Процессы освоения знания Работу этого блока управления знаниями можно реализовать в три шага (и эти шаги повторяются в цикле): • Оценка знаний, имеющихся у сотрудника • Стимулирование сотрудника к использованию корпоративных знаний • Организация доступа сотрудника к различным формам получения и обмена знаниями • Обучение сотрудника навыкам и знаниям, необходимым для эффективной работы в систему управления знаниями