![](/user_photo/2706_HbeT2.jpg)
- •В.В. Литвин технології менеджменту знань
- •Розділ 1 основні поняття менеджменту знань
- •1.1. Основні означення менеджменту знань
- •1.1.1. Структура менеджменту знань
- •Маркетинґ Проектування Підготовка виробництва Виробництво Збут
- •1.1.2. Формування знань
- •1.1.3. Введення даних
- •1.1.4. Адміністрування
- •1.1.5. Мотивація
- •1.1.6. Особливості впровадження мз
- •1.2. Менеджмент знань
- •1.3. Базові поняття менеджменту знань
- •1.3.1. Видобування знань
- •1.3.2. Системи пізнання
- •1.3.3. Організація доступу до знань
- •1.3.4. Інновації в області автоматизації
- •1.3.5. Менеджмент знань та інформації
- •1.3.6. Менеджмент знань та Інтернет
- •1.4. Онтологічний інжиніринг
- •1.4.1. Системи керування знаннями
- •1.4.2. Онтологія
- •1.5. Висновки
- •Запитання для повторення та контролю знань
- •Розділ 2 теоретичні аспекти менеджменту та інженерії знань
- •2.1. Поле знань
- •2.1.1. Мова опису поля знань
- •2.1.2. Семіотична модель поля знань
- •2.1.3. “Піраміда” знань
- •2.2. Стратегії одержання знань
- •2.3. Теоретичні аспекти видобування знань
- •2.3.1. Психологічний аспект
- •2.3.2. Лінгвістичний аспект
- •2.3.3. Гносеологічний аспект видобування знань
- •2.4. Теоретичні аспекти структурування знань
- •2.4.1. Історична довідка
- •2.4.2. Ієрархічний підхід
- •2.4.3. Традиційні методології структуризації
- •2.4.4. Об’єктно-структурний підхід (осп)
- •Стратифікація знань предметної області
- •Матриця об’єктно-структурного аналізу
- •Запитання для повторення та контролю знань
- •Розділ 3 технології менеджменту та інженерії знань
- •3.1. Класифікація методів практичного видобування знань
- •3.2. Комунікативні методи
- •3.2.1. Пасивні методи
- •Порівняльні характеристики пасивних методів видобування знань
- •3.2.2. Активні індивідуальні методи
- •Порівняльні характеристики активних індивідуальних методів видобування
- •3.2.3. Активні групові методи
- •3.3. Текстологічні методи
- •3.3.1. Методи структурування
- •Дані концептуалізації
- •3.3.2. Еволюція систем одержання знань
- •Запитання для повторення та контролю знань
- •Завдання для самостійного розв’язування
- •Розділ 4 прикладні аспекти менеджменту та інженерії знань
- •4.1. Латентні структури знань і психосемантика
- •4.1.1. Семантичні простори і психологічне градуювання
- •Опис зв’язку між поняттями
- •4.1.2. Методи багатовимірного градуювання
- •4.1.3. Використання метафор для виявлення “прихованих” структур знань
- •4.2. Метод репертуарних решіток
- •4.2.1. Основні поняття
- •4.2.2. Методи виявлення конструктів. Метод мінімального контексту
- •4.2.3. Аналіз репертуарних решіток
- •4.2.4. Автоматизовані методи
- •4.3. Керування знаннями
- •4.3.1. Що таке “керування знаннями”?
- •4.3.2. Керування знаннями і корпоративна пам’ять
- •4.3.3. Системи omis
- •4.3.4. Особливості розроблення омis
- •4.4. Візуальне проектування баз знань як інструмент пізнання
- •4.4.1. Від понятійних карт до семантичних мереж
- •4.4.2. База знань як пізнавальний інструмент
- •4.5. Проектування гіпермедіа бд і адаптивних навчальних систем
- •4.5.1. Гіпертекстові системи
- •4.5.2. Від мультимедіа до гіпермедіа
- •4.5.3. На шляху до адаптивних навчальних систем
- •Запитання для повторення та контролю знань
- •Розділ 5 Класифікація даних та знань
- •5.1. Важливість правильної класифікації
- •5.1.1. Класифікація й об’єктно-орієнтовне проектування
- •5.1.2. Труднощі класифікації
- •5.2. Ідентифікація класів і об’єктів
- •5.2.1. Класичний і сучасний підходи
- •5.2.2. Об’єктно-орієнтований аналіз
- •5.3. Ключові абстракції й механізми
- •5.3.1. Ключові абстракції
- •5.3.2. Ідентифікація механізмів
- •5.4. Висновки
- •Запитання для повторення та контролю знань
- •Розділ 6 онтології й онтологічні системи
- •6.1. Поняття онтології
- •6.2. Моделі онтології й онтологічної системи
- •Класифікація моделей онтології
- •6.3. Методології створення і “життєвий цикл”онтології
- •6.4. Мови опису онтологій
- •6.4.1. Види owl
- •6.4.2. Структура онтологій
- •Запитання для повторення та контролю знань
- •Розділ 7 Програмні засоби побудови онтологій
- •7.1. Онтологія як засіб формалізації та алгоритмізації знань в інтелектуальній системі
- •7.1.1. Аналіз підходів до навчання онтологій
- •7.1.2. Загальні принципи проектування онтологій
- •7.1.3. Формати та стандарти подання інформації
- •7.1.4. Засоби для створення онтології
- •7.2. Технологія розроблення онтологій в редакторі Protégé
- •7.2.1. Еволюція Protégé
- •7.2.2. Protégé-owl. Мова Web онтологій owl
- •7.2.3. Основні терміни та поняття у Protégé-owl
- •Терміни та їх синоніми
- •7.2.4. Методика розроблення онтології засобами Protégé
- •Створення й експлуатація онтології
- •7.2.5. Створення онтології
- •Запитання для повторення та контролю знань
- •Завдання для самостійного розв’язування
- •Література
- •Литвин Василь Володимирович технології менеджменту знань
- •V lp.Com.Ua, ел. Пошта: vmr@vlp.Com.Ua
Опис зв’язку між поняттями
Пов’язані пари понять |
Відношення між пов’язаною парою понять |
Підпрограма – програма |
Є частина |
Символьні дані – вихід |
Є тип |
Параметр – програма |
Використовується |
Програма – вихід |
Робить |
Сортування – пошук |
Містить у собі |
Чисельні дані – параметр |
Може бути |
Функція – оператор |
Є |
Функція – програма |
Є частина |
Налагодження – програма |
Піддається |
Вихід – чисельні дані |
Складається з... |
Масив – символьні дані |
Може складатися з... |
Функція – підпрограма |
Є |
Присвоєння значень – параметр |
Використовується для |
Масив – глобальна зміна |
Може бути |
Масив – чисельні дані |
Може складатися з... |
Повторення – сортування |
Є частина |
Програма – алгоритм |
Є виконання |
Сортування – алгоритм |
Є |
Сортування – чисельні дані |
Робиться на |
Присвоєння – оператор |
Є |
Формальна методологія психосемантичного градуювання дає змогу частково автоматизувати процес структурування знань і одержувати “когнітивний розріз” його подань про предметну область. Методологія градуювання дає змогу виявляти структури знання непрямим шляхом, одержуючи відповіді від експертів на доволі прості запитання (наприклад, “наскільки близькі поняття Х1 і Х2” замість “скажіть, який зв’язок між Х1 і Х2, як вони впливають один на одного”).
Майже всі експерименти дали змогу виявити одну закономірність. Розмірність семантичного простору з підвищенням рівня професіоналізму зменшується. Цей висновок збігається з відомими твердженнями когнітивної психології про те, що процес пізнання супроводжується узагальненням.
Побудова семантичного простору зазвичай передбачає три послідовні кроки.
1. Вибір і застосування відповідного методу оцінки семантичної подібності. Цей крок містить у собі експеримент із випробовуваними особами, яким пропонується оцінити спільність поданих стимульних ознак на деякій шкалі.
2. Побудова структури семантичного простору на основі математичного аналізу отриманої матриці подібності. Відбувається зменшення кількості досліджуваних понять внаслідок узагальнення й одержання генералізованих осей.
3. Ідентифікація, інтерпретація виділених факторних структур, кластерів або груп об’єктів, осей тощо. На цьому етапі необхідно знайти значеннєві еквіваленти, мовні “ярлики” для виділених структур. Тут великого значення набуває лінгвістичне чуття й професіоналізм фахівця, що здійснює дослідження, і випробуваних експертів. Часто до інтерпретації залучають групу експертів.
4.1.2. Методи багатовимірного градуювання
Надалі розвиток методів психосемантики відбувався в напрямі розроблення зручних пакетів прикладних програм, заснованих на методах багатовимірного градуювання (БГ), факторного аналізу, а також спеціалізованих методів (статистичного) опрацювання репертуарних решіток. З іншого боку, специфіка низки конкретних додатків, насамперед – в інженерії знань, вимагала також розвитку інших (не чисельних) методів опрацювання психосемантичних даних, що використовують – у тій або іншій формі – парадигму логічного виведення на знаннях. Однак аналіз практичного застосування систем обох типів до завдань інженерії знань призводить до висновку про недосконалість наявних методик і необхідності їхнього розвитку відповідно до сучасних вимог інженерії знань. Найбільші перспективи в цій галузі, очевидно, мають методи багатовимірного градуювання.
Багатовимірне градуювання (БГ) сьогодні – це математичний інструментарій, призначений для опрацювання оброблення даних про попарні подібності, зв’язки або відношення між аналізованими об’єктами з метою подання цих об’єктів у вигляді точок деякого координатного простору. БГ є одним із розділів прикладної статистики, наукової дисципліни, що розробляє й систематизує поняття, прийоми, математичні методи й моделі, призначені для збирання, стандартного запису, систематизації й опрацювання статистичних даних з метою їхнього лаконічного подання, інтерпретації й одержання наукових і практичних висновків. Традиційно БГ використовується для рішення трьох типів завдань:
пошук та інтерпретація латентних (тобто схованих, безпосередньо неспостережуваних) змінних, що пояснюють задану структуру попарних відстаней (зв’язків, наближеностей);
верифікація геометричної конфігурації системи аналізованих об’єктів у координатному просторі латентних змінних;
стиснення вихідного масиву даних з мінімальними втратами в їхній інформативності.
Незалежно від завдання БГ завжди використовується як інструмент наочного подання (візуалізації) вихідних даних. БГ широко застосовується в дослідженнях з антропології, педагогіці, психології, економіці, соціології.
В основі такого підходу лежить інтерактивна процедура суб’єктивного градуювання, коли випробовуваній особі (тобто експертові) пропонується оцінити подібність між різними елементами за допомогою деякої градуйованої шкали (наприклад, від 0 до 9, або від –2 до +2). Після такої процедури аналітик має у розпорядженні чисельно подані стандартизовані дані, які піддаються опрацюванню наявними пакетами прикладних програм, що реалізують різні алгоритми формування концептів вищого рівня абстракції та будують геометричну інтерпретацію семантичного простору в евклідовій системі координат.
Основний тип даних у БГ – міри близькості між двома об’єктами (i, j) – dij. Якщо міра близькості така, що найбільші значення dij відповідають парам найбільш схожих об’єктів, то dij – міра подібності, якщо, навпаки, найменш схожим, то dij – міра розходження.
БГ використовує дистанційну модель розходження, посглуговуючись поняттями відстані в геометрії як аналогією подібності й розходження понять. Щоб функція d, визначена на парах об’єктів (a, b), була евклідовою відстанню, вона повинна задовольняти такі чотири аксіоми:
d(a, b)≥0,
d(a, a)=0,
d(a, b)=d(b, a),
d(a, b)+d(b, c)≥d(a, c).
Тоді, відповідно до звичайної формули евклідової відстані, міра розходження двох об’єктів i та j зі значеннями ознаки k в об’єктів i та j відповідно xik і xjk
.
Дистанційна модель була багаторазово перевірена в соціології та психології, що дає можливість оцінити її придатність для використання.
У більшості робіт з БГ використовується матрична алгебра. Геометрична інтерпретація дає змогу зобразити абстрактні поняття матричної алгебри в конкретній графічній формі. Серед множини алгоритмів БГ широко використовуються різні модифікації метричних методів Торгерсона, а також неметричні моделі, наприклад, Крускала.
Порівнюючи методи БГ з іншими методами аналізу, теоретично застосовними в інженерії знань (ієрархічний кластерний аналіз або факторний аналіз), БГ переважає завдяки можливості дати наочне кількісне координатне зображення, найчастіше найпростішої й тому легше інтерпретованої експертами.