Управление знаниями как корпоративная стратегия автоматизации

Татьяна Гаврилова - д.т.н., консультант по информационным технологиям управления знаниями, [email protected]

Веремьев В.Л.
ООО «БАЛТ –АУДИТ - ЭКСПЕРТ», [email protected]

Введение

Среди множества новейших тенденций, программных систем и продуктов, руководителям компаний легко растеряться. Нужны ли нам все эти модные (и весьма дорогие) ERP, workflow, CALS, CRM и прочие «навороты», ведь угнаться за гонкой аббревиатур в IT-технологиях нет никакой возможности. Новые термины появляются с частотой в полгода, и с той же скоростью исчезают с горизонта.

Такие вопросы правомерно возникают у руководителей предприятий, и тут чрезвычайно важно разглядеть те действительно новые ростки, которые могут вывести управление компании на принципиально более эффективный уровень информационно-функциональной поддержки. Что же касается упомянутых выше терминов и иже с ними, то следует понимать откуда берется такое разноообразие систем, как они образуются и сразу снимется половина вопросов.

Первый аспект чисто конъюнктурный. Проще всего разницу пояснить на индустрии модной одежды. Конкуренция велика, производителей десятки тысяч, целевая функция одежды не меняется столетиями – чтобы было удобно и красиво. Как привлечь покупателя – нужны новые лозунги, новые лэйблы. И вот уже не брюки из ткани «деним», а джинсы; не пиджак, а кардиган и блейзер, и т.д.

Также как в одежде, целевая функция всех систем автоматизации неизменна, это информационная поддержка бизнеса или производства. Все. Дальнейшее зависит от взгляда - как смотреть на весь этот муравейник – сверху, сбоку, изнутри, по-этажно, по-процессно, по-объектно…

Второй аспект связан как раз с этим взглядом. Название класса системы обычно указывает на ее целевую функцию и это хорошо надо понимать, чтобы потом не удивляться почему пробуксовывает, например, финансовый модуль в западной системе, ориентированной на работу с клиентами (СRM).

Третий аспект связан с тем способом, по которому производится структурирование информации. Критериев декомпозиции и агрегирования информации – сотни, соответственно вопрос стоит только насколько Ваше виденье информационной структуры соответствует виденью проблемы разработчиков приобретаемого Вами softa. Правда, из рекламных описаний систем зачастую совершенно невозможно понять тех принципов и, главное ограничений, которые они в себе несут. Это не злой умысел, это естественный взгляд с одной «колокольни».

И, наконец, четвертая объективная проблема, это отсутствие специалистов-аналитиков высокого уровня, способных разобраться в реальной системе управления и информационной инфраструктуре компании, с одной стороны, и хорошо знакомых с особенностями и новинками рынка автоматизированных систем, с другой. Таких специалистов нигде не готовят, а умельцы, любовно выращенные на предприятиях перегружены тактическим «латанием» дырок, а не стратегическим анализом. По уже понятным причинам этих людей не может быть в IT-фирмах, сопровождающих и внедряющих конкретный продукт.

Выход из этого тупика придуман не нами – это услуги консультантов и/или подготовка аналитиков на предприятии. Подготовка аналитиков настолько нетривиальная задача, что заслуживает отдельного разговора.

Задача профессионального консультанта-аналитика – разобраться в специфике основных трудностей предприятия и рекомендовать внедрение той системы, которая максимально просто и дешево решает имеющиеся проблемы.

На практике все происходит в точности наоборот – сначала IT-специалисты выбирают инструмент (под влиянием рекламы, лоббирования, личных предпочтений, интереса, своего понимания автоматизации), а затем убеждают в правильности выбора топ-менеджеров. Эта практика стара как и сама автоматизация, так хорошо известен снобистский лозунг первых автоматизаторов во времена советских АСУ “Сделаем клиенту не то, что он просит, а то, что ему нужно!”

Доклад посвящен действительно революционной стратегии автоматизации – управлению знаниями корпорации. Ее новизна заключается в принципиально новой задаче – копить не разрозненную информацию, а знания, т.е. закономерности и принципы, позволяющие решать реальные производственные и бизнес-задачи, причем и те знания, которые традиционно не видимы – они хранятся в памяти специалистов, а не на материальных носителях.

1. Стратегия «управление знаниями»

Понятие «управление знаниями» (КМ — Knowledge Management) появилось в середине 90-ых годов в крупных корпорациях, где проблемы обработки информация приобрели особую остроту и стали критическими. При этом стало очевидным, что основным узким местом является обработка знаний, накопленных специалистами компании, так как именно знания обеспечивают преимущество перед конкурентами. Часто информации в компаниях накоплено даже больше, чем она способна оперативно обработать. Различные организации пытаются решать этот вопрос по-своему, но при этом каждая компания стремится увеличить эффективность обработки знаний.

Управление знаниями — это совокупность процессов, которые управляют созданием, распространением, обработкой и использованием знаний внутри предприятия.

Ресурсы знаний различаются в зависимости от отраслей индустрии и приложений, но, как правило, включают руководства, письма, новости, информацию о заказчиках, сведения о конкурентах и технологии, накопившиеся в процессе разработки. Сами эти ресурсы могут находиться в различных местах: в базах данных, базах знаний, в картотечных блоках, у специалистов и могут быть рассредоточены по всему предприятию. При этом часто одна часть предприятия дублирует работу другой просто потому, что невозможно найти и использовать знания, находящиеся в соседних подразделениях.

Системы КМ интегрируют разнообразные технологии:

• электронная почта и Интернет;;
• базы и хранилища данных (Data Wharehouse);
• системы поддержки групповой поддержки;
• локальные корпоративные системы автоматизации;
• системы документооборота и worlflow;
• экспертные системы и базы знаний.

Традиционно проектировщики систем КМ ориентировались лишь на отдельные группы потребителей — главным образом менеджеров. Более современные КМ-системы спроектированы уже в расчете на целую организацию.

Хранилища данных, которые работают по принципу центрального склада, были одним из первых инструментариев КМ. Как правило, хранилища содержат многолетние версии обычной БД, физически размещаемые в той же самой базе. Когда все данные содержатся в едином хранилище, изучение и анализ связей между отдельными элементами может быть более плодотворным. В дальнейшем идея хранилища была развита в понятие корпоративной памяти.

2. Корпоративная память и онтологии

Одним из новых решений по управлению знаниями является понятие корпоративной памяти (corporate memory), которая по аналогии с человеческой памятью позволяет пользоваться предыдущим опытом и избегать повторения ошибок

Корпоративная память хранит информацию из различных источников предприятия и делает эту информацию доступной специалистам для решения производственных задач.

Корпоративная память не позволяет исчезнуть знаниям выбывающих специалистов (уход на пенсию, увольнение и пр.). Она хранит большие объемы данных, информации и знаний из различных источников предприятия.

Можно выделить два уровня корпоративной памяти:

Уровень 1. Уровень материальной или явной информации  — это данные и знания, которые могут быть найдены в документах организации в форме сообщений, писем, статей, справочников, патентов, чертежей, видео- и аудио-записей, программного обеспечения и т. д.

Уровень 2. Уровень персональной или скрытой информации — это персональное знание, неотрывно связанное с индивидуальным опытом. Оно может быть передано через прямой контакт — «с глазу на глаз» через процедуры извлечения знаний. Именно скрытое знание — то практическое знание, которое является ключевым при принятии решении и управлении технологическими процессами.

В действительности эти два типа информации, подобные двум сторонам одной и той же медали, одинаково важны в структуре корпоративной памяти.

При разработке систем КМ можно выделить следующие этапы:

• Накопление. Стихийное и бессистемное накопление информации в организации.
• Извлечение. Процесс обнаружения источников знаний, их “добыча” и описание. Это один из наиболее сложных и трудоемких этапов. От его успешности зависит дальнейшая жизнеспособность системы.
• Структурирование. На этом этапе должна быть выделены основные понятия, выработана структура представления информации, обладающая максимальной наглядностью, простотой изменения и дополнения.
• Формализация и программная реализация. Представление структурированной информации в форматах машинной обработки — то есть на языках описания данных и знаний и организация автоматизированной обработки и поиска информации по запросу.
• Обслуживание. Корректировка формализованных данных и знаний (добавление, обновление): «чистка», то есть удаление устаревшей информации; фильтрация данных и знаний для поиска информации, необходимой пользователям.

Правила проведения первых четырех этапов подразумевают владение инструментами инженерии знаний, довольно молодой науки, родившейся при разработке интеллектуальных систем.

Уже классической ошибкой практически всех (без исключения!) автоматизированных систем является главенство и доминирование этапа 4 , т.е. программной реализации над предметной постановкой этавпов 1-3. В системах КМ это особенно опасно, так как именно предметные знания являются ядром таких систем.

Существуют различные подходы, модели и языки описания данных и знаний. Однако все большую популярность последнее время приобретают онтологии.

Онтология - это формализованное представление основных понятий и связей между ними. Его ввел в информационные технологии Том Грубер в 1993. Ранее этот философский термин означал учение о бытии, затем он переместился в область точных наук, где полу-формализованные концептуальные модели всегда сопутствовали математически строгим определениям. Под определение онтологии подпадают многие понятийные структуры: иерархия классов в объектно-ориентированном программировании, концептуальные карты (concept maps), семантические сети, и т. п.

Онтология — это струкурная спецификация некоторой предметной области, ее формализованное представление, которое включает словарь (или имена) указателей на термины предметной области и логические выражения, которые описывают, как они соотносятся друг с другом.

Таким образом, онтологии обеспечивают словарь для представления и обмена знаниями о некоторой предметной области и множество связей, установленных между терминами в этом словаре.

Для описания онтологий существуют различные языки и системы, однако, наиболее перспективным представляется визуальный подход, позволяющий специалистам непосредственно «рисовать» онтологии, что помогает наглядно сформулировать и объяснить природу и структуру явлений. Визуальные модели, например, графы обладают особенной когнитивной (т.е. познавательной) силой. Любой программный графический пакет от PaintBrush до Visio можно использовать как первичный инструмент описания онтологий.

Нами разработан специальные инструменты CAKE (Сомputer Aided Knowledge Engineering) и ВИКОНТ — ВИзуальный Конструктор ОНТологий. CAKE и ВИКОНТ позволяют визуально проектировать онтологии любой предметной области. Онтология строится как сеть, состоящая из концептов и связей между ними. Связи могут быть различного типа, например, "является", "имеет свойство" и т. п. Концепты и связи имеют универсальный характер для некоторого класса понятий предметной области. Можно выбрать некоторое понятие из этого класса и для него "заполнить" онтологию, задавая конкретные значения атрибутам.

Программы визуализации онтологий являются инструментом, позволяющим сделать видимыми структуры корпоративного знания.

В простейшем случае построение онтологии сводится к:

• выделению концептов — базовых понятий данной предметной области;
• построению связей между концептами — определению соотношений и взаимодействий базовых понятий;
• сравнению построенной онтологии с имеющимися — проведение параллелей с другими областями знаний.

Еще одним преимуществом использования онтологий в KM является системный подход к автоматизации предприятия. При этом достигаются:

• системность — онтология представляет целостный взгляд на предметную область;
• единообразие — материал, представленный в единой форме гораздо лучше воспринимается и воспроизводится;
• научность — построение онтологии позволяет восстановить недостающие логические связи во всей их полноте.
• Стоит еще раз подчеркнуть, что онтология не только цель, но и средство формирования систем КМ.

Традиционно говорят о следующих причинах интереса к системам KM:

• работники предприятия тратят слишком много времени на поиск необходимой информации;
• опыт ведущих и наиболее квалифицированных сотрудников используется только ими самими;
• ценная информация захоронена в огромном количестве документов и данных, доступ к которым затруднен;
• дорогостоящие ошибки повторяются из-за недостаточной информированности и игнорирования предыдущего опыта.

Важность систем KM обусловлена также тем, что знание, которое не используется и не возрастает, в конечном счете становится устаревшим и бесполезным, также, как деньги, которые сохранены без того, чтобы стать оборотным капиталом, в конечном счете теряют свою стоимость, пока не обесценятся. Напротив, знание, которое распространяется, приобретается и обменивается, генерирует новое знание.

Таким образом, любая система автоматизации затрагивает проблемы хранения корпоративных знаний, но только системы КМ делают это в явном виде, тем самым сохраняя этот драгоценный ресурс, а не растворяют его в алгоритмах, бизнес –процессах и спецификациях. KM фактически предоставляет следующий уровень автоматизации для тех компаний, которые уже справились с автоматизацией данных, и является хорошей стартоой площадкой для тех, кто хочет создать интегрированную систему, а не “лоcкутное” одеяло.