Т.А. Гаврилова ИСПОЛЬЗОВАНИЕ ОНТОЛОГИЙ В СИСТЕМАХ УПРАВЛЕНИЯ ЗНАНИЯМИ

(http://www.kmtec.ru/publications/library/authors/use_ontology_in_suz.shtml )

Роль онтологий в системах управления знаниями

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

Известно, что наибольшую пользу при создании обучающих систем получают ее разработчики, а не пользователи. Точно также, при создании СУЗ именно эксперты вместе с аналитиками получают наиболее полное представление о предметной области (в то время как пользователи этой базы или системы получат «сухие выжимки», готовые факты без всего многообразия связей и путей их получения).

Проблемы с OMIS

1)Человеческий фактор

Основная причина неудач пилотных проектов OMIS заключалась в том, что разработчики игнорировали реальные потребности, способности, и цели пользователей системы [Malsch et al., 1993; Kuhn et al., 1994].

2)Стоимостной анализ

Во-первых, ядро проекта должно ориентироваться на критические процессы, «страдающие» от недостатка информационной поддержки. Во вторых, не следует перегружать начальную систему слишком большим количеством услуг, которые могут быть желательны, но не обещают быстрое возвращение инвестиций. Рисунок 2. представляет архитектуру для OMIS и корпоративной памяти (частично из работы [Borghoff et al., 1998]). Ядром системы является Информационное хранилище.

3) Эволюция знаний

Электронная поддержка особенно ценна в областях, подвергающихся быстрым изменениям, так как на таких предприятиях трудно обеспечить доступ к оперативной современной информации. В системах OMIS часто используют различные новые технологии обработки знаний, не имеющие пока общепринятых русскоязычных терминов и связанные с получением нового знания из анализа данных, например «открытие или разведка знаний» (Knowledge Discovery) и «разработка данных» (Data Mining). Разведка знаний представляет собой новое и быстро развивающееся направление, занимающееся «нетривиальным извлечением точной, ранее неизвестной и потенциально полезной информации из данных» [Piatetsky-Shapiro et al., 1991]. В методах разведки данных используются различные подходы к анализу текста и числовых данных, плюс специальный инструментарий статистического анализа.

4) Чувствительность к контексту для естественно-языковых запросов.

Система должна «понимать» контекст поступающих запросов. К примеру, она должна различать термины «размножение животных» и «размножение документов».

5) Гибкость.

Система должна иметь возможность обрабатывать знания в различной форме и по разным темам в контексте работы данного предприятия.

6) Интеллектуальность.

Система должна накапливать информацию о своих пользователях и о знаниях, которые она получает во время работы. Таким образом, со временем ее возможность «продуманно» предоставлять пользователям знания должна совершенствоваться.