авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Онтолого-семантические модели в корпоративных системах управления знаниями

На правах рукописи

Тузовский Анатолий Федорович

ОНТОЛОГО-СЕМАНТИЧЕСКИЕ МОДЕЛИ

В КОРПОРАТИВНЫХ СИСТЕМАХ УПРАВЛЕНИЯ ЗНАНИЯМИ

Специальность

05.13.01 – Системный анализ, управление и обработка информации

(в отрасли: информация и информационные системы)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

доктора технических наук

Томск – 2007

Работа выполнена в Томском политехническом университете

Научный консультант: доктор технических наук, профессор, Ямпольский Владимир Захарович

Официальные оппоненты: доктор технических наук, профессор, Кориков Анатолий Михайлович, доктор технических наук, профессор, Трофимов Валерий Владимирович доктор технических наук, профессор, Хабаров Валерий Иванович

Ведущая организация: Институт систем информатики имени А. П. Ер шова СО РАН (г. Новосибирск)

Защита состоится «10» октября 2007 г. в 15.00 часов на заседании диссер тационного совета Д 212.269.06 при Томском политехническом университете по адресу: г. Томск, ул. Советская, 84, ауд. 313.

С диссертацией можно ознакомиться в научно-технической библиотеке Томского политехнического университета по адресу: 634034, г. Томск, ул. Бе линского, 55.

Автореферат разослан « 16 » июля 2007 г.

Ученый секретарь диссертационного совета, кандидат технических наук Сонькин М. А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Современная экономика, которой свойственен бы стрый рост доли наукоемких товаров и услуг, сокращение их жизненного цик ла, интеллектуализация технологий бизнеса и маркетинга, все в большей степе ни основывается на знаниях. Организации не только активно используют зна ния, созданные в академических институтах, но и сами активно создают новые.

В настоящее время уже признано, что знания являются одним из важнейших ресурсов организаций наравне с финансовыми и материальными. 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, интеллекту альный капитал, интеллектуальная собственность получают растущее призна ние в качестве нового источника богатства компаний.

В связи с этим организации стремятся эффективно распоряжаться, управ лять имеющимися у них знаниями. Однако так как данное направление включа ет исследование природы организационных знаний, процессов их преобразова ния, методов воздействия на эти процессы, т.е. является междисциплинарным то 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 согла сованных концепций и подходов, имеется разное представление о самой сущ ности управления знаниями организации. При этом понимание управления зна ниями простирается от управления всеми процессами организации до автома тизации 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 исследова ния К.-Е. Sweiby, K.M. Wiig, P.F. Drucker, T.H. Davenport, L. Prusak, М.H. Zack, I. Nonaka, H. Takeuchi, R. Maier, J.M. Firestone. Среди отечественных публика ций по данной тематике можно отметить исследования Б.З. Мильнера, С.М.

Климова, М.К. Мариничевой, Т.А. Гаврилову, В.А. Дресвяникова и В.З. Ям польского.

В литературе были выделены факторы, способствующие успешному вы полнению УЗ. Одним из них, не достаточным, но необходимым, является ис пользование информационных технологий. Для успешного управления знания ми в организациях создаются специальные информационно-программные сис темы 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 IT – 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 ис пользовании методов и технологий по работе со смыслом, семантикой данных, информации и знаниями, таких как онтологии предметных областей, техноло гии их построения и сопровождения, семантические метаданные, семантиче ский поиск, системы логического вывода, семантическое профилирование зна ний экспертов, семантические порталы и сети и т.п. И все это с соответствую щей технологической поддержкой в части языков описания, моделей, про граммных инструментов и систем.



При этом семантический подход не отвергает классический. Большинство элементов и инструментов семантического подхода зачисляются в арсенал средств развитых корпоративных информационных систем, которые могут применяться и, по существу, применяются для повышения уровня работы с данными и информацией.

В этом направлении можно выделить работы таких авторов, как D. Fensel, S. Staab, A. Abecker, N.Stojanovic, I.Horrocks, Y. Sure, R. Studer, Т.А. 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 систем управ ления знаниями на основе онтологических моделей и семантических методов.

Отсутствует согласованный набор методов по онтологическому моделирова нию знаний организации и семантическому описанию разнородных объектов, содержащих знания, а также методов вовлечения в бизнес-процессы организа ций значительных ресурсов явных и скрытых знаний. Необходимы согласован ные 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 подоб ных средств требует разработки и соответствующего методического обеспече ния, 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 органи заций и перспективности работы с семантикой, до настоящего времени в доста точной степени не разработан комплексный набор методов и алгоритмов опи сания и использования содержащих знания объектов организации с применени ем онтологических моделей и семантических методов и методик построения на их основе СУЗ, а опубликованные в этом направлении идеи не достаточно ап робированы, что определяет актуальность темы данной диссертационной рабо ты.

Цель работы: Разработка комплекса методов, моделей и алгоритмов для построения информационно-программных систем управления знаниями на ос нове единых онтологических моделей и семантических методов.

Для достижения поставленной цели исследования были поставлены и ре шены следующие задачи:

1. Выявление состава и структуры знаний современной организации, ока зывающих 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.

4. Создание комплексной онтологической модели знаний организации с целью описания разнородных типов объектов (ресурсов) знаний для решения базовых задач работы с ними.

5. Разработка методов создания и поддержки в актуальном состоянии еди ной онтологической модели знаний организации.

6. Разработка моделей описания объектов организации, содержащих и ра ботающих со знаниями, для поддержки работы с ними.

7. 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.

9. Создание онтологической базы знаний организации, содержащей еди ную онтологическую модель знаний и множество семантических метаописаний объектов знаний.

10. Разработка архитектуры семантического web-портала для поддержки активно работающих со знаниями бизнес-процессов.

Методы исследования. Для решения поставленных задач в работе исполь зуются методы системного анализа, теории графов и множеств, теория приня тия решений, экспертных оценок, объектно-ориентированного проектирования и программирования.

Научная новизна. В диссертационной работе впервые предложен ком плексный подход к проектированию и созданию систем управления знаниями с использованием онтологического моделирования и семантических методов? А также 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 он тологического моделирования и семантических методов в области проектиро вания и разработки систем управления знаниями организаций.

Получены следующие основные результаты, обладающие научной новиз ной:

1. Впервые сформирован комплексный подход к созданию систем управле ния знаниями на основе онтологического моделирования, семантических мето дов и поддержки бизнес-процессов, активно работающих со знаниями, и разра ботана архитектура информационно-программного обеспечения его реализа ции.

2. Разработан новый подход к моделированию разнородных объектов (ре сурсов) знаний организации на основе единой онтологической модели знаний организации, включающей онтологию организации и развиваемый набор онто логических моделей предметных областей, основных областей деятельности организации, и семантические метаописания ресурсов знаний, включающих контекстные и контентные метаданные.

3. Предложены новые методы оценки семантической близости метаописа ний объектов знаний на основе использования онтологической модели и реше ния таких базовых задач работы со знаниями, как семантический поиск, клас сификация по заданному иерархическому набору рубрик и выполнение навига ции.

4. Разработана новая модель описания моделей компетентности специали стов организации и методы ее построения и поддержки на основе анализа ре зультатов квалификационного аудита и записей журнала работы специалистов в СУЗ.

5. Впервые разработана многоуровневая архитектура информационно программного обеспечения СУЗ на основе онтологической базы знаний и се мантического web-портала, обеспечивающая поддержку разнообразных про цессов управления знаниями организаций разного типа.

6. Впервые разработана структура и интерфейсы онтологической базы зна ний организации, позволяющая хранить в реляционной базе данных описание онтологической модели и множество семантических метаописаний. Разработа ны методы взаимодействия с данной базой знаний для решения различных за дач управления знаниями.

7. Разработана новая архитектура семантического Web-портала, включаю щая 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 ис следования и построения систем и методов управления знаниями на основе он тологического и семантического моделирования.

Предложенная методология моделирования распределенных и разнород ных ресурсов знаний организации объединяет подходы, разработанные в рам ках таких научных направлений, как системный анализ, инженерия знаний, мо делирование организаций, и вносит существенный вклад в развитие семантиче ского моделирования систем и интеграции информации и знаний. Она предос тавляет 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, классификация, формирование рекомендаций, развивает существующие методы работы с семантическими моделями знаний.

Практическая значимость работы. Разработанные модели, алгоритмы, схемы баз знаний и программное обеспечение их реализации, включающее ме тоды 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 мо делей позволяет существенно сократить трудоемкость процесса разработки и повысить качество организации работы со знаниями организации за счет ис пользования типовых частей онтологической модели организации, структури рованного описания разнородных ресурсов знаний на базе единой онтологиче ской модели, возможности эффективно решать такие базовые задачи работы со знаниями, как семантический поиск, классификация, формирование рекомен даций и навигация.

Кроме того, данные методы и программное обеспечение могут быть ис пользованы 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 по образованию Российской Федерации «Исследование методов представления, структуризации и контекстного поиска явных и неявных знаний для построения систем управления знаниями» на 2004–2008 гг. (номер НИР 1.38.04, номер гос.

регистрации 01200404026);

• проект «Интеграция распределенных и разнородных информационных ресурсов организации с использованием семантических технологий» (конкурс р_офи_2006, № 06-07-96912) Российского фонда фундаментальных исследова ний;

• проект «Создание информационно-программной среды научно образовательного комплекса Томска для работы со знаниями и объектами ин теллектуальной 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 нау ки и высшего образования России на 2002–2006 годы».

Реализация результатов и их внедрение. Разработанные подходы, мето ды и алгоритмы были программно реализованы, протестированы и внедрены в процессе создания нескольких крупных систем информационно-программной поддержки работы сотрудников организаций со знаниями, основными из кото рых являются:

1. Информационно-программная система «Томограф 5.2» для интеграции, обработки и визуализации разнородных данных и информации нефтедобываю щих 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 др.).

2. Система управления результатами научно-технической деятельности нефтяной компании «ЮКОС» (была внедрена в подразделениях компании в Москве, Самаре, Нефтеюганске, Стрежевом).

3. Web-портал по работе с явными и неявными знаниями Центра профес сиональной подготовки специалистов нефтегазового дела Томского политехни ческого университета совместно с шотландским университетом «Heriot-Watt».

4. Система управления знаниями компании «ЭлеСи» (Томск), работающей в области создания информационных систем и электронных устройств, в рам ках которой были разработаны: стратегия управления знаниями компании;

се мантический web-портал управления знаниями, являющийся интеллектуальным ядром информационной системы компании;

общая онтология компании и на бор онтологий по различным областям знаний («Управляемые электроприво ды», «Пусконаладочные работы»), встроенные в сервер онтологии СУЗ;

база знаний по профилям компетентности специалистов и экспертов компании;

сис тема стимулирования работы экспертов к обмену знаниями.

На разработки, выполненные по результатам диссертации, получены четы ре 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 яв ными и неявным знаниями организации» (№ 4608).

Практическая значимость полученных в диссертации результатов подтвер ждается дипломами и наградами, полученными за разработки, выполненные на основе диссертационной работы. Среди наград можно отметить медаль лауреа та 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-й степени на конкурсе монографий, подго товленных в Томском политехническом университете в 2005 году.

Основные положения, выносимые на защиту:

1. Предложенный подход к созданию СУЗ на основе единой модели зна ний организации позволяет описывать разнородные ресурсы знаний организа ции и связывать процессы работы со знаниями с бизнес-процессами организа ции.

2. Разработанная архитектура единой онтологической модели знаний ор ганизации, включающая онтологию организации и множество онтологий пред метных областей по направлениям деятельности организации, дает возмож ность выполнять достаточно полное и итеративное развитие онтологической модели, существенно уменьшать трудоемкость ее разработки.

3. Предложенная методика создания онтологической модели на основе сценариев использования и последовательной ее формализации на основе под ходов «снизу-вверх», «от середины» и «сверху-вниз» позволяет с требуемой де тальностью описать рассматриваемую предметную область.

4. Методы проверки согласованности и объединения онтологических мо делей подобластей знаний организации на основе задания синонимических свя зей между понятиями и проверки согласованности полученной онтологии с ис пользованием модели дескриптивной логики повышают эффективность и точ ность работы с моделями.

5. 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.

6. Методы ручного и полуавтоматического формирования контекстных и контентных метаописаний для объектов знаний организации позволяют, с дос таточной для работы СУЗ точностью, описать ресурсы знаний организации.

7. Методы вычисления близости контекстных и контентных метаданных, на основе оценки подобия утверждений (триплетов), используемых в их описа ниях, и положения понятий и отношений в онтологической модели, позволяют с высокой точностью определить семантическое сходство ресурсов знаний ор ганизации.

8. Методы работы с онтологической моделью знаний по поиску, класси фикации и формированию рекомендаций на основе вычисления близости кон текстных и контентных метаданных дают возможность решения базовых задач работы со знаниями организации.

9. Методы описания и уточнения профилей компетентности специалистов организаций на основе обработки результатов квалификационного аудита и ре зультатов анализа журнала их работы в системе облегчают выявление и ис пользование скрытых знаний организации.

10. Выявление активно работающих со знаниями бизнес-процессов и мно гокритериальный выбор стратегии реализации СУЗ обеспечивают связь управ ления знаниями со стратегией и основными бизнес-процессами организации.

11. Многоуровневая архитектура информационно-программного обеспече ния СУЗ на основе онтологической базы знаний и семантического web-портала обеспечивает поддержку разнообразных процессов управления знаниями орга низаций разного типа.

12. Результаты применения различных информационно-программных сис тем, созданных на основе предложенных в диссертационной работе подходов, методов и алгоритмов, показали их эффективность в части точности обеспече ния комплексности и обоснованности предлагаемых решений.

Публикации. Результаты диссертации опубликованы в 65 печатных рабо тах, в том числе в одной монографии [1], 31 статье (из них 13 в изданиях реко мендованных ВАК [2 – 14] для опубликования результатов докторских диссер таций).

Апробация работы. Основные результаты диссертационной работы док ладывались и обсуждались на разнообразных российских и международных на учных конференциях различного уровня, среди которых можно отметить сле дующие:

• Всероссийская конференция «ЗНАНИЯ – ОНТОЛОГИИ – ТЕОРИИ» с международным участием (ЗОНТ-07), Новосибирск, 2007.

• Международная конференция «Компьютерная лингвистика и интеллек туальные технологии» (Диалог 2006), Бекасово, 2006.

• Вторая Международная конференция по когнитивной науке (CogSci 2006), Санкт-Петербург, 2006.

• Девятая научно-практическая конференция “Реинжиниринг бизнес процессов на основе современных информационных технологий. Системы управления знаниями” (РБП-СУЗ-2006), Москва, 2006.

• Седьмой Международный симпозиум «Интеллектуальные системы»

(INTELS2006), Краснодар, 2006.

• Международный симпозиум “Информационные и системные техноло гии в индустрии образовании и науке”, Караганда, в 2003, 2006 гг.

• Шестая Международная конференция «Перспективные системы инфор матики» (PSI’06), Новосибирск, Академгородок, 2006.

• Научно-практическая конференция «Современные средства автоматиза ции», Томск в 2004, 2005 и 2006 гг.

• Корейско-российский международный симпозиум по науке и технике, (KORUS) в 1997, 1998, 2002, 2003, 2005 гг.

• Международный симпозиум "Визуальный анализ и интерфейс", Ново сибирск, 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 на именований и 10 приложений. Общий объем диссертации составляет 373 стра ниц машинописного текста. Работа содержит 106 рисунков и 34 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показано, что в связи с переходом к основанной на знаниях экономике, знания становятся одним из важнейших ресурсов работы организа ций, оказывающим значительное влияние на эффективность их работы и кон курентоспособность. В связи с этим возникает необходимость в систематиче ской и целенаправленной работе со всеми видами знаний организаций (явными и скрытыми, личностными и корпоративными) и создания современных ин формационных систем – систем управления знаниями (СУЗ), поддерживающих эту работу.





Сделан анализ современного состояния и подходов к созданию СУЗ.

Обоснована необходимость развития подхода к созданию СУЗ основанного на использовании онтологических моделей и семантических технологий. В связи с тем, что в настоящее время отсутствует практический комплексный подход к их созданию на основе использования модели знаний организации и семанти ческих методов, сформулированы цель и задачи исследования. Пояснена теоре тическая и практическая значимость работ данного направления, приведено краткое их описание, даны необходимые пояснения.

В первой главе рассмотрено определение понятия знаний организации и различные способы их классификации. Проведен обзор разнообразных опреде лений понятия знания сформулированных разными авторами. В связи с тем, что знание является сложным, комплексным понятием, оно может описываться и классифицироваться множеством различных способов. Наиболее признанным способом классификации знаний является их разделение на явные (документи рованные) и неявные, скрытые знания (идеи и опыт специалистов). В качестве рабочего определения знаний организации используется следующее: «Знания организации это сложная комбинация опыта специалистов и информации (документы и данные), которые связаны через единую структуру исполь зуемых в организации понятий».

Отмечается, что одной из важных составляющих явных знаний организа ций являются объекты интеллектуальной собственности.

Все знания организации находятся в постоянно повторяющихся циклах их развития. Рассмотрены такие модели описания процессов преобразования зна ний, как модель основных видов познавательной деятельности (создание, выяв ление, описание, хранение, поиск, распространение, использование);

модель жизненного цикла знаний в организации;

модель преобразования между явны ми и скрытыми знаниями.

В связи с тем, что знания являются ценным ресурсом организации, необхо димо эффективное управление ими, при этом показано, что управление знания ми заключается в управлении процессами работы с ними. Обосновано, что про цессы преобразования знаний тесно связаны с бизнес-процессами организации.

Проведен анализ результатов исследований, выполненных отечественными и зарубежными авторами в области создания систем управления знаниями. Вы делены два сложившихся в последнее десятилетие основных подхода к созда нию СУЗ: классический, основанный на использовании существующих широко применяемых информационных технологиях и онтолого-семантический, осно ванный на использовании онтологических моделей и семантических техноло гий. Показано, что в состоявшихся реализациях онтолого-семантический под ход используется, в лучшем случае, для создания систем корпоративной памяти или решения отдельных локальных задач.

На основе данной главы сделан вывод о том, что эффективное управление знаниями должно основываться на моделировании знаний организации и на поддержке взаимосвязи процессов преобразования знаний с бизнес-процессами организации.

Во второй главе рассматривается структура и состав знаний организаций.

Показано, что знания организации З содержатся во множестве разнообразных объектов (ресурсов) знаний.

Определение 1: Под объектами (ресурсами) знаний организации понимает ся множество физических объектов, которые хранят, предоставляют, или могут создавать знания, полезные для функционирования организации.

Все множество знаний организации может быть разделено на два подмно жества З = {За, Зп} = { Зo1, …, Зon}, где За – это знания активных объектов (про фессиональные знания), а Зп – знания пассивных объектов (корпоративные зна ния).

Знания активных объектов За = { Зo1, …, Зok } содержатся в объектах {Oз1, …, Oзn }, к которым, например, относятся S – множество сотрудников, T – множество групп, подразделений организации, которые могут использовать знания от других объектов и принимать с их помощью решения.

Знания пассивных объектов, которые также называются информацией, Зп = {Зo(k+1), …, Зon} – это знания, содержащиеся в объектах знаний {Oз1, …, Oзn }, которые для использования, должны быть усвоены активными объектами. К пассивным объектам, например, относятся D – документы (разных типов);

K – разделы каталогов;

T – задачи;

P – бизнес-процессы;

S – сведения о предостав ляемых сервисах, и т.п.

Показано, что объекты знаний могут быть рассмотрены в трех разных ас пектах – структура, контекст и контент (рис. 1).

Контекст является внешним по отношению к объекту свойством и опре деляется тем, кто, зачем, когда и как создал этот объект. Контекст позволяет идентифицировать объект среди множества других объектов.

Объект создается для предоставления пользователям необходимой инфор мации и знаний, и эта информация передается через информационное содержа ние объекта – контент.

Определение 2. Моделью знаний объекта организации Мзi является пред ставление знаний об объекте и знаний, содержащихся в объекте на некотором формальном языке, который может использоваться для работы с ними.

Объект B Объект A Автор Контекст Объекта A Дата создания «01.06.2005»

Контент Объекта A Организация Объект C Название «Заметка по ….»

Рис. 1. Контекст и контент объекта знаний организации.

Знания, содержащиеся в объекте Oзi знаний организации, представляются в виде моделей Мзi, которые описывают знания, содержащиеся в объекте и могут быть в разной степени формализованы, начиная от записей на естественном языке (например, в виде кратких аннотаций), и заканчивая множеством строгих утверждений математической логики (например, логики первого порядка). Ка ждый из объектов знаний содержит только некоторую часть всего связанного множества знаний организации. В описание модели объектов знаний входят термины, используемые специалистами организации (и соответствующие им понятия) и отношения между ними. Знания, содержащиеся в отдельных объек тах, относящиеся к одной и той же организации, должны быть согласованными.

Показано, что единую модель знаний организации можно сформировать в виде набора взаимосвязанных онтологических моделей.

Определение 3. Под онтологической моделью (онтологией) O в данном работе понимается знаковая система C, T, P, F, L, А, где С – множество эле ментов, которые называются понятиями;

T – частичный порядок на множестве С, задающий отношения «подкласс» и «суперкласс»;

P – множество элементов, которые называются свойствами (двуместными предикатами);

F – функция, ко торая назначает каждому элементу множества P множество элементов из мно жества С (с учетом их иерархии в T), к которым оно применимо (область дей ствия, domain) и множество элементов из множества С или литералов (экземп ляров примитивных типов, таких как строки и числа), которые могут быть их значениями (область возможных значений, range);

L = {LC, LP, C, P} – множе ство текстовых меток, которые определяют профессиональные термины орга низации и их соответствие: C – элементам множества С, P – элементам мно жества P;

А – набор аксиом онтологии – утверждений о элементах предметной области, которые считаются верными, выраженные с использованием соответ ствующего логического языка.

В качестве общей модели знаний организации предлагается использовать согласованный и связанный набор онтологий: O = {Ooр, Oоз}, где Ooр – это он тология организации, включающая основные понятия и объекты знаний орга низации (содержащая знания и объекты использующие знания, например, биз нес-процессы, задачи, проекты и т.п.), а Oоз = {O1,…, Om} – иерархически орга низованная, последовательно расширяемая система онтологий основных облас тей знаний Oi, значимых для работы организации (рис. 2).

Thing Области знаний организации Онтология организации Подобласти знаний Объект Документ Агент Заказчик Проект Онтология подобласти Файл знаний Сотрудник Книга Группа Онтология подобласти знаний Объект Рис. 2. Структура единой онтологической модели знаний организации.

Построение онтологической модели Процедура построения онтологий является нетривиальной задачей, и ей отводится важная роль в комплексе мероприятий по созданию систем управле ния знаниями. В связи с этим, выполнен анализ существующих методологий построения онтологий и проведена их доработка на основе опыта полученного при разработке конкретных онтологий и тезаурусов.

Предложена методика создания онтологии, включающая следующие ос новные этапы:

1. Определение сценариев использования разделов онтологии.

2. Сбор данных по областям знаний, необходимых для выбранных сценари ев.

3. Формирование неформального описания онтологии.

4. Формирование полу-формального описания онтологии.

5. Формальное описание онтологии на языке OWL.

6. Встраивание онтологии в общую онтологию знаний организации.

7. Тестирование и оценивание созданной онтологии.

Обосновывается, что при создании онтологий, специалистам целесообраз но использовать разные подходы к формированию онтологии:

• Подход «снизу-вверх»: изучение существующих онтологий верхнего уровня и их использование для формирования разрабатываемой онтоло гии, а также повторное использование части существующих таксономий;

• Подход «снизу-вверх»: использование отчетов по анализу сценариев и ре зультатов сбора данных для перечисления специфических понятий и их группировки.

• Подход «от середины»: исследование различных ветвей и областей суще ствующих онтологий, также как и базовых тем, выявленных в ходе сбора данных, что помогает понять, какие основные области требуются и по зволяют сгруппировать термины – кандидаты;

В работе выполнена концептуализация модели знаний организации. Выяв лены основные понятия и виды отношений между ними.

Показано, что работа с онтологической моделью может выполняться двумя способами: с помощью дескриптивной логики и с помощью реляционной моде ли.

Обосновывается, что дескриптивная логика (ДЛ) может использоваться для управления онтологиями путем отображения понятий и отношений онтоло гии в утверждения логики. В этом случае, при выполнении доказательств будут использоваться экземпляры понятий, представленных в онтологии. Дескрип тивная логика используется для создания баз знаний, доказательства логиче ской согласованности баз знаний и ответа на запросы к ним. Доказательство выполнимости базы знаний (т. е., то, что она является логически непротиворе чивой) является обоснованием правильности онтологии.

Сформированные с использованием ДЛ базы знаний также могут исполь зоваться 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, опи санное в запросе, является логически согласованным с онтологией. Кроме это го, операция включения ДЛ может использоваться для обнаружения отношений класс-подкласс, которые заданы в онтологии неявно.

В предлагаемом подходе онтологии предметных областей отображаются на ДЛ посредством набора преобразований, которые позволяют неявные пред положения онтологии перенести в модель дескриптивной логики. На рис. 3 по казано, последовательность работы с онтологией с использованием дескрип тивной логики.

(1) (2) (3) выявление Неявная модель Модель на Онтология кодирование понятий знаний предметной логическом и отношений области язык синтакси совместное ис ческий применяемые пользование разбор предположения Система RACER Логические ут- Структуры трансляция DIG интерфейс Запросы верждения данных системы (4) (5) (6) Рис 3. Последовательность работы с онтологией с использованием дескриптив ной логики.

На основе этого применяется следующий метод определения правильности он тологий:

1. Онтология представляется в виде размеченного графа.

2. Граф последовательно анализируется для формирования набора предло жений дескриптивной логики.

3. Каждое предложение добавляется к базе знаний.

4. База знаний проверяется для доказательства ее выполнимости. Если база знаний является выполнимой, то онтология является правильной.

Пусть онтология OA представляется размеченным графом OA = (Ca, Ra).

Создается база знаний БЗA для представления онтологии. Утверждениями базы знаний БЗA являются предложения дескриптивной логики, которые определяют понятие для каждого сa Сa, и роль или отношение включения для каждого ra Ra. По определению satisfiable(БЗA): истинна если ca Ca : satisfiable(ca) = истинна, иначе ложна. В связи с этим определением: satisfiable(БЗA) valid(OA).

На основе использования определения правильности онтологий предло жен метод объединения различных онтологий, состоящий из 3 шагов: слияния, связывания конкретных вершин онтологий, и, затем, проверки правильности новой онтологии (отсутствие противоречий).

Шаг 1: Слияние O1 и O2 для формирования O1+2. По определению: O1+2 = O O2, где O1 O2 = (C1 C2, R1 R2). Объединение всегда может быть вычислено, но результат в принципе может содержать противоречия. При желании, O1 O онтология может быть проверена на правильность на данном шаге.

Шаг 2: Связывание взаимосвязанных иерархий, описываемое набором связей.

Для каждой пары (c1, c2) L в O1+2 заносится утверждение subClassOf(c1, c2), т.

е. создается новая дуга в графе. После этого шага, составная онтология опреде ляется следующим образом: O1+2 = (C1 C2, R1 R2 L). При предположении, что элементы этих связей являются правильными (т. е., каждая c1 C1 и c C2), эта операция всегда может быть выполнена, но возможно, что использова ние связей создаст противоречие. На этом шаге может быть выполнена провер ка правильности онтологии O1 O2.

Шаг 3. Проверка правильности составленной онтологии O1+2. Если онтология O1+2 является правильной то тогда УСПЕХ (цель достигнута), иначе НЕУДА ЧА. Алгоритм завершен.

При объединении двух онтологий, могут появляться дополнительные ло гические ограничения или взаимосвязи, которые применяются к объединенной онтологии. В частности, в некоторых случаях требуется определять взаимосвя зи между понятиями в двух исходных онтологиях. Такие взаимосвязи должны быть добавлены к онтологии как дополнительные ребра. Это выполняется пу тем создания небольшой, фрагментарной онтологии, которая заявляет аксиомы, которые добавляется к O1+2, используя выше описанный метод. Общий процесс объединения может включать объединение нескольких онтологий, для по строения конечной онтологии.

Показано, что операция объединения является ассоциативной, коммуника тивной и не является замкнутой и транзитивной.

В третьей главе диссертации разработаны модели описания ресурсов (объектов) знаний организации с использованием онтологической модели и ме тоды работы с ними.

На основе онтологической модели знаний организации O, описание объек та знаний Мзi может быть представлено в виде набора семантических метадан ных.

Определение 4. Семантическими метаданными объекта называется описание объекта относительно некоторой формальной модели, описывающей семантику области знаний.

Определение 5. Контекстными метаданными объекта называется такой на бор свойств, которые задают его связи с другими объектами или которые связа ны с объектом, но не содержатся в его описании.

Определение 6. Контентными метаданными объекта называется набор ут верждений о знаниях (контенте), которые содержатся в объекте.

Таким образом, модель знаний объекта может быть представлена в виде Мзi = (Mki (O), Msi(O)), где Mki (O) – это контекстные метаданные объекта зна ний, описывающие взаимосвязи объекта с другими объектами организации или литералами, а Msi(O) – контентные метаданные объекта знаний, описывающие знания, которые содержатся в объекте.

Контекстные метаданные включают набор значений свойств понятия, со ответствующего типу объекта знаний в онтологии организации, т.е. Mki(O) = (p1(Oзi, v1), p2(Oзi, v2) … pr(Oзi, vr)), где утверждение pi(Oзi, vi) состоит из предиката (отношения) pi, описанного в онтологии организации, URI (универ сальный идентификатор ресурса) объекта Oзi, для которого определяются мета данные и значения vi, в качестве которого может быть либо URI некоторого эк земпляра понятий онтологии организации, либо некоторый литерал (текст, чис ло, дата).

Контентные метаданные Ms(O) описываются наборами утверждений из Oоз, т.е. семантические метаданные объектов знаний описываются отношения ми и понятиями из онтологий основных предметных областей знаний организа ции в виде набора кортежей: Msi(O) = ({p1(s1, v1), k1} {p2(s2, v2), k2} … {pk(sk, vk), kk}), где {pi(si, vi), ki} кортеж, включающий утверждение pi(si, vi) (три плет) и ki – коэффициент важности данного утверждения для описания контента объекта знаний i. Утверждение pi(si, vi) состоит из предиката (отношения) pi, описанного в онтологии областей знаний, объекта si, которым может быть по нятие онтологии или экземпляр понятия (ссылка на объект знаний) и значения vi, которое может быть либо URI некоторого экземпляра, либо некоторым лите ралом (текстом, числом, датой).

Объединение единой онтологической модели знаний организации и моде лей описаний объектов, содержащих знания, составляют онтологическую базу знаний организации. Использование онтологической базы знаний позволяет реализовать набор семантических методов поддержки процессов работы со знаниями организации. Эффективность работы со знаниями организации зави сит от того, насколько каждый из этапов процесса преобразования знаний будет поддержан методами и соответствующим программным обеспечением.

Этап выявления (извлечения) знаний состоит в сборе объектов, содержа щих знания важные для работы организации. Выявление знаний должно быть связано с выполнением отдельных задач бизнес-процессов организации, в ко торых они создаются. Выявленные объекты знаний должны быть соответст вующим образом описаны, т.е. сформированы их модели знаний Мзi = (Mki (O), Mci(O)). Формирование моделей знаний может быть выполнено разными мето дами:

• ручным способом составления семантических метаданных (редактор ме таданных);

• автоматизированными средствами извлечения знаний из различных хра нилищ документов в разных форматах на основе использования автома тических методов анализа текстов на естественных языках (русском и английском) и онтологий областей знаний организации;

• с помощью методов автоматического изменения параметров моделей спе циалистов в соответствии с результатами их работы с системой (фикси руемыми в журнале работы системы).

Формирование метаописаний объектов знаний Формирование метаданных объектов знаний организации, на основе неко торой онтологии и соответствующей ей базе знаний также называется задачей семантического аннотирования.

Составление контекстных метаданных выполняется ручным способом с использованием специальных программ редакторов метаданных. Такие редак торы позволяют выбрать объект организации, который будет описываться, вы брать понятие онтологии, экземпляром которого будут контекстные метадан ные объекта, получить список свойств и заполнить его. При работе с электрон ными документами, подобные программы-редакторы позволяют также исполь зовать встроенные метаданные, которые имеются у документа (дата создания, дата редактирования, автор и т.п.), при заполнении значений свойств объекта.

Составление контентных метаданных может выполняться ручным и полу автоматическим способом.

Ручной вариант реализации заключается в создании редактора контентных метаданных, который позволяет пользователю, используя специальный интер фейс выбрать элементы утверждений используя онтологию некоторой пред метной области и свои знания об аннотируемом объекте знаний (документе, специалисте и т. п.). Основной задачей интерфейса является предоставление возможности конструирования метаданных с одновременной навигацией по он тологии, в том числе и с интерактивной визуализацией отдельных ее частей.

Полуавтоматическое семантическое аннотирование документов В рамках проведенных исследований полуавтоматического аннотирования был разработан подход, базирующийся на использовании лингвистических ме тодов морфологического, синтаксического и поверхностного семантического (обще-описательного) анализов текста документов на естественном языке.

Результатом поверхностного семантического анализа предложения на ес тественном языке является связанный граф (в некоторых случаях множество графов), который дополняет предложение набором связей из фиксированного словаря, являющимся, в свою очередь, прототипом метаинформации для пред ложения. Использование в алгоритме анализа текста в качестве исходных дан ных результата поверхностного семантического анализа позволит избавиться от множества неоднозначностей интерпретации, связанных с лингвистическими особенностями языка.

Следующим шагом к составлению контентных метаданных является этап сопоставления частей семантического графа элементам онтологии, путем про ецирование одного графа на другой. Проецирование выполняется с помощью специальных правил, которые представляют некоторый набор лингвистических шаблонов.

Конечной задачей анализа текста является выявление поверхностного (аб страктного) смысла, выраженного в наборе утверждений контентных метадан ных Msi(O) для обрабатываемого документа. Для выполнения такого анализа используется многоуровневая обработка текста.

Измерение близости метаописаний объектов в интеллектуальном про странстве Учитывая, что модели описаний объектов знаний связаны за счет исполь зования единой модели знаний организации, имеется возможность оценки их подобия (сходства) между собой на основе некоторой метрики подобия Ф (Мзi, Mзj). В работе предложены методы оценки подобия контекстных и контентных метаданных объектов знаний. Данный функционал описывает близость между отдельными элементами знаний, содержащимися в разных объектах знаний.

Формализованное представление онтологической модели знаний, а также метаописаний объектов создает возможность для измерения близости (подобия) объектов в интеллектуальном пространстве.

Определение 7. Интеллектуальным пространством организации называется модель S (О, M, Ф), в которой в качестве системы координат О используется онтологическая модель знаний организации, координаты M положения объек тов, содержащих знания, задаются их метаописанииями, относительно исполь зуемой онтологической модели, а расстояния между объектами определяется путем оценки семантической близость метаописаний Ф.

Семантическая близость метаописаний Ф(Мзi, Mзj) может быть определена через подобие входящих в них утверждений:

Ф ( Mзi, Mз j ) = sim(Ti, T j ), I i MDi I j MD j где Ф (Мзi, Mзj) – величина близости метаописаний объекта i и объекта j;

sim (Ti, Tj) – подобие утверждений (триплетов) Ti и Tj, входящих в сравниваемые метаописания.

Величина sim (Ti, Tj) может быть определена с использованием следующе го выражения:

sims (ci, cx ) + simr (rj, ry ) + simi (ik, iz ) sim (Ti, T j ) = sim ( (ci, rj, ik, kl ), (cx, r y, iz, kw ) ) = ( ) f ( kl, k w ), где f (kl, kw) – функция учета коэффициентов важности утверждений (использу ются разные варианты) и выделены следующие составляющие измерения подо бия двух утверждений метаописаний:

Семантическая близость понятий онтологий, используемых в утверждениях simc(ci, ck) может быть оценена на основании расположения понятий в иерархии онтологической модели:

C ANC (ci ) C ANC (cx ), где CANC (ci) = {cj C | Pc(cj, ci) cj = ci} sims (ci, cx ) = C ANC (ci ) C ANC (cx ) Семантическая близость отношений онтологий simc(ri, ry), может быть оцене на на основании заданного в модели нестрогого частичного порядка исполь зуемых отношений. PR(rk, rl) означает, что rk предшествует rl, или что rl следует за rk :

R ( r ) RANC (rl ) simr ( rj, ry ) = ANC k, simr(rk, rl) [0;

1] RANC ( rk ) RANC (rl ) Семантическая близость контекстных метаданных экземпляров понятий simi(ik, iz) онтологий определяется на основе оценки их реляционной связи и близости их атрибутов. Для каждого экземпляра ix I имеются контекстные метаданные Mki(O), с которыми связаны:

• непустое множество CINST(ix), включающее понятия, к которым относится экземпляр ix : CINST(ix) = {cj C | PIC(ix, cj)}, CINST(ix) ;

• множество RINST(ix), включающее все конкретизированные отношения эк земпляра ix : RINST(ix) = {rij RI | rij (ix, iy)};

• множество AINST(ix), включающие все конкретизированные атрибуты эк земпляра ix : AINST(ix) = {aij AI | aij (ix, iy)}.

Тогда simiR (ik, iz ) + simiA (ik, iz ), simi(ix, iy) [0;

1], где simi (ik, iz ) = REQU (ix, i y ), если RINST (ix ) RINST (iy ) simiR (ix, iy ) = RINST (ix ) RINST (i y ), 0, иначе REQL (ix,iy) = {rii RI | rii (ix, iy) rii (iy, iz) } AEQU (ix, i y ), если AINST (ix ) AINST (i y ) simiA (ix, i y ) = AINST (ix ) AINST (i y ) 0, иначе AEQL (ix,iy) = {aii AI | aii (ix, vy) aii (iy, vz)}.

Метод вычисления близости семантических метаданных позволяет количе ственно оценить сходство между объектами. На практике оценка близости обычно выполняется между объектом-эталоном и множеством объектов кандидатов. Например, поисковый запрос (эталон) сравнивается с описаниями в объектах, хранящихся базе знаний (множество кандидатов), в результате чего формируется множество релевантных запросу объектов. То есть метод вычис ления близости семантических метаданных можно рассматривать как средство ранжирования объектов-кандидатов на основании объекта-эталона. После ран жирования те кандидаты, семантическая близость которых эталону меньше не которого порогового значения, исключаются из результирующего множества.

Очевидно, что чем больше множество кандидатов, тем дольше выполняет ся ранжирование. Поэтому уменьшение множества кандидатов за счет исклю чения из него объектов с заведомо низким показателем семантической близости способно увеличить вычислительную эффективность операции семантического сравнения. С этой целью разработан метод фильтрации множества кандидатов.

Метод фильтрации основан на использовании системы логического вывода для дескриптивной логики. Он позволяет отфильтровать из множества кандидатов те объекты, семантическая близость которых объекту-эталону равна нулю.

На основе использования данного функционала могут быть решены разные задачи поддержки процессов работы со знаниями: смысловой поиск объектов знаний, классификация объектов знаний по системе рубрик, рекомендация (предоставление) новых объектов знаний специалистам, поддержка выполнения БП требуемыми объектами знаний, сбор, описание и оценивание новых объек тов знаний в БП, активно работающих со знаниями (рис. 4).

Онтология Рубрика Поисковый каталога запрос по е би до до би Поиск Классификация по е Специалист подобие Документ Рекомендации Рис. 4. Использование семантического подобия в работе со знаниями.

Семантический поиск:

1. Объектом-эталоном при семантическом поиске является поисковый за прос, представленный в виде контентных метаданных.

2. Процедура формирования множества объектов-кандидатов для выполне ния среди них семантического поиска заключается в выборе пользовате лем тех понятий из неизменной части онтологии, которым соответствуют требуемые типы объектов. Если, например, необходимо найти документы и ссылки, то указываются соответствующие понятия 3. К множеству объектов-кандидатов относятся все объекты выбранных ти пов.

4. В процессе обработки результатов из множества кандидатов удаляются те объекты, контентных метаданные которых не содержат всех понятий и экземпляров, присутствующих в метаданных поискового запроса.

5. Все объекты-кандидаты упорядочиваются по уменьшению показателя ре левантности.

6. В результате семантического поиска пользователю предлагается список найденных по запросу объектов, упорядоченных по релевантности и до полнительно сгруппированных по типам объектов.

Классификация:

1. В качестве объекта-эталона выступает рубрика классификатора.

2. Из базы данных извлекаются семантические метаданные всех объек тов БЗ (за исключением рубрик), для которых нужно проверить соот ветствие рубрике.

3. Множеством объектов-кандидатов является множество объектов БЗ за исключением самих рубрик. Семантическое сравнение рубрики с руб рикой при классификации не имеет смысла, но имеет практическое значение при проверке правильности расположения рубрики кандидата в иерархии рубрик.

4. В процессе обработки результатов из множества кандидатов удаляют ся те объекты, контентные метаданные которых не содержат хотя бы одного понятия или экземпляра, присутствующего в семантических метаданных рубрики.

5. Во множестве объектов-кандидатов остаются лишь те объекты, кото рые имеют показатель релевантности больше нуля, то есть относятся к рубрике.

В результате классификации в базу знаний заносится перечень объектов, относящихся к рубрике, для последующего использования.

Нужно отметить, что наряду с описанным процессом классификации, на зывающимся «полной классификацией», в БЗ также применяется частичная классификация. Она применяется для соотнесения одного объекта-кандидата с множеством рубрик. При частичной классификации фильтрация не использует ся, так как множество кандидатов содержит один заранее известный объект.

Каждая рубрика поочередно сравнивается с кандидатом для установления того, к каким рубрикам относится объект.

Работа с профилями компетентности специалистов организации Одним из наиболее важных направлений применения онтологической базы знаний является их использование для повышения эффективности работы с не явными знаниями путем формализованного описания и поддержки профилей компетентности специалистов. С этой целью в работе выявлены наиболее су щественные характеристики специалистов релевантных контексту СУЗ. Эти характеристики были описаны в терминах понятий и атрибутов, что позволило построить модель специалиста организации.

Модели специалистов и экспертов Si = {S1 (O), …, Sm (O)} помимо контек стных метаданных и семантических метаописаний их компетентностей вклю чают и модели их поведения S1 (O) = (Mki (O), Mci(O), П), где • Mki (O) – контекстные метаданные описания специалиста (общие харак теристики специалиста;

);

• Mci(O) - контентные метаданные описания специалиста (показатели компетентности специалиста в соответствующих областях знаний организации);

• П - модель поведения специалиста в работе со знаниями.

Работа специалистов с системой сбора (извлечения), накоплений и ис пользования их профессиональных знаний должна регистрироваться в журна ле системы (семантического портала). На основе анализа записей журнала пе риодически будут уточняться модели компетенции и поведения специалистов.

Для экспертов в системе также должны быть разработаны специальные сред ства для поддержки распространения ими знаний (например, за счет ведения ими специальных журналов – блоггов) и получения консультаций.

Определение профилей компетентности специалистов и первоначальное формирование на этом этой основе базы знаний профилей компетентности в СУЗ требует проведение квалификационного аудита в организации. Квалифи кационный аудит достаточно новая проблематика в управлении современными организациями и нуждающаяся в правильном методическом обеспечении.

В работе разработан алгоритм проведения квалификационного аудита по определению уровня компетентности специалистов. Количественная обработка результатов опроса и определение комплексной оценки уровня компетентности специалистов в соответствии с предложенной формулой: K ij = l ij R s + S ij, где Кij Ej - комплексная оценка уровня компетентности i - го специалиста по j -ой облас ти знаний;

n - число областей знаний, актуальных для исследуемой организа ции, j = 1, n ;

mj – число «претендентов» на звание эксперта в j - ой области зна ний, i = 1, m j ;

lij – число сотрудников, высказавшихся за i - го «претендента» в j ой области знаний;

Ej – максимальное число сотрудников, высказавшихся за кого то из «претендентов» в j-ой области знаний;

Rs – интервал шкалы само оценки, принятый в проведенном исследовании равным 3;

Sij – значение уровня самооценки i - го специалиста по j-ой области знаний (в диапазоне 1, 2, 3).

Корректировка контентных метаданных специалистов и описание их пове дения выполняется на основе анализа журнала их работы в СУЗ. При обработке записей журнала могут решаться задачи описания компетентности специали стов и их классификация, на основе уровня обмена знаниями.

Логический вывод областей интереса и поведения специалистов В соответствии с видами действий пользователя, система фиксирует раз личные события, которые заносятся в журнал СУЗ. Когда специалист просмат ривает, оценивает, читает, передает, ищет ресурсы знаний, в системе формиру ются события, примеры которых показаны в табл. 1.

Табл. 1. Действия специалиста, фиксируемые в журнале системы.

Действия Просмотр Занесение Чтение, Поиск пользовате- Оценивание ля События ЧтениеРесурса;

ЗанесениеРе- ЧтениеРесурса Поисковый Журнала Предоставление- сурса Запрос Метаданных Данные по работе в системе могут использоваться разными способами:

• Для вывода понятий и активов знаний, которые наиболее часто исполь зуются специалистами, предпочтения специалистов и автоматическая на стройка онтологии прикладной области к потребностям специалистов.

Например, новые понятия могут быть добавлены в онтологию предмет ной области, а понятия, которые больше не используются, могут быть удалены.

• Для вывода поведения специалиста, которое описывает его стиль работе в системе;

• Для оценки эволюции онтологии прикладной области и для анализа час тоты использования функций системы.

Средства вывода поведения специалистов (компонента метаданных спе циалиста П) специфичного для СУЗ были включены в подсистему определения поведения. Некоторые базовые средства вывода поведения специалиста «обра батывают» информацию о работе специалиста в системе. На основе анализа их взаимодействия с системой, специалисты классифицируются по заранее опре деленным шаблонам или категориям специалистов.

Понятие «Поведение» описывает некоторые показатели взаимодействия специалистов организации с СУЗ, например, такие как: Тип деятельности (тип_деятельности);

Уровень обмена знаниями (уровень_активности);

Объем вклада (объем_вклада).

В результате работы в системе, специалист может сделать свой вклад в общую базу знаний в виде написанных или прокомментированных документов, а также в результате чтения документов или контактов с экспертами. На основе анализа повседневной работы специалистов с системой, СУЗ классифицирует их по различным категориям с общими характеристиками, как описано далее.

Классификация специалистов на основе «Типа активности»

Показатель Тип активности описывает, характер работы специалиста в системе. Предварительно были определены следующие классы специалистов:

• Читатель – специалист, который в основном читает/получает активы знаний системы;

• Писатель - специалист, который не только читает/получает активы зна ний системы, но также и передает в систему активы знаний;

• Наблюдатель - специалист, который не передает в систему новые активы знаний и очень редко читает/получает активы знаний системы.

При занесении специалистом новых объектов знаний в систему, связанная с ним переменная объем_вклада увеличивается на 1. Тоже самое выполняется, при чтении, выполнении запроса или комментировании документов специали стом.

x ЗанесениеРесурса - увеличение(объем_вклада(x)) x ЧтениеРесурса - увеличение (количество_чтений (x)) x ПредоставлениеМетаданных - увеличение (количество_чтений (x)) x ПоисковыйЗапрос - увеличение (количество_ПоисковыхЗапросов(x)) Классификация специалистов в соответствии с типом деятельности и уров нем активности Тип деятельности и уровень активности специалистов определяется с по мощью эвристических правил, учитывающих количество вкладов (КВ) и коли чества случаев получения/чтения (КЧ) объектов знаний:

If (количество_чтений КЧ) and (объем_вклада КВ) Then Si = ”чита тель” (в течении временного интервала (T)) If (объем_вклада = КВ) Then Si = ”писатель” (в течении временного интервала (T)) If (количество_чтений КЧ) and (объем_вклада КВ) Then Si = ”наблю датель” (в течении временного интервала (T)), где КЧ, КВ и временной интервал (T) являются константами, которые могут быть заданы в зависимости от активности работы пользователей в системе.

Классификация специалистов, на основе уровня обмена знаниями Обмен знаниями является критически важным для успеха СУЗ. Состоя ниями специалистов по отношению к уровню обмена знаниями являются: “не осведомленный”;

“осведомленный”;

“заинтересованный”;

“пробующий”;

“сто ронник”.

Для отнесения пользователей к некоторой категории в соответствии с их уровнем обмена знаниями используются методы нечеткой логики. В работе ис пользуется принцип нечеткой классификации, для того, чтобы отнести пользо вателя к различным категориям в соответствии с их уровнем обмена знаниями.

Нечеткая классификация предполагает двух шаговый процесс:

• создание хорошо разделенных нечетких областей;

• формирование нечетких правил и функций вычисления степени принад лежности.

Используя переменную lks (уровень обмена знаниями), фиксируется уро вень усвоения поведения, базирующегося на обмене знаний, основанный на двух нечетких множествах. Для кодирования значений принадлежности поль зователя к некоторой категории используется его тип активности и уровень ак тивности. Значение принадлежности кандидата i к некоторой категории вычис ляется с использованием функции E (x1, x2), где • E – уровень обмена знаниями lks, разделен на такие области нечеткости, как [“очень высокий”, “высокий”, “средний”, “низкий”, “очень низкий”], которые могут быть связаны с такими шаблонами поведения, как [“сто ронник”, “пробующий”, “заинтересованный”, “осведомленный”, “неосве домленный”];

• x1 – тип активности, разделен на такие области нечеткости, как [“высо кий”, “средний”, “низкий”, “очень низкий”], которые соответствуют кате гориям [“читатель”, “писатель”, “наблюдатель”];

• x2 – уровень активности, разделен на такие области нечеткости, как [“вы сокий”, “средний”, “низкий”, “очень низкий”], которые соответствуют та ким категориям, как [“очень активный”, “активный”, “посетитель”, “не активный”].

Путем избавления от нечеткости, получены следующие правила, исполь зующие лингвистические переменные, связанные с уровнем обмена знаниями, типом активности и уровнем активности E (x1, x2):

if x1 = “писатель” and x2 = “очень активный” then E = “сторонник”;

if x1 = “писатель” and x2 = “активный” then E = “ сторонник”;

if x1 = “писатель” and x2 = “посетитель” then E = “интересующийся”;

if x1 = “читатель” and x2 = “очень активный” then E = “пробующий”;

if x1 = “читатель” and x2 = “активный” then E = “интересующийся”;

if x1 = “читатель” and x2 = “посетитель” then E = “осведомленный”;

if x1 = “наблюдатель” and x2 = “посетитель” then E = “неосведомленный”;

if x1 = “наблюдатель” and x2 = “неактивный” then E = “неосведомленный”.

Логический вывод областей интереса и уровня компетентности Активность пользователя может быть использована также для логического вывода областей знаний, которые интересуют пользователей и предположений об уровне его компетентности. Предлагается несколько простых эвристических правил, таких как:

if ЗанесениеРесурса(Si, Oзi) and cx Mk(Oзi) then cx - Mk(Si);

if ПредоставлениеМетаданных(Si, Mk(Oзi) and cx Mk(Oзi) then cx - Mk(Si) if (Si, автор, Oзi) and cx Mk(Oзi) and Oзi = ”высокий рейтинг” then cx - Mk(Si) (является экспертом по cx).

Тестирование семантических методов работы с моделями объектов зна ний Тестирование методов работы с моделями объектов знаний выполнялось с использованием онтологии, созданной для части предметной области «Автома тизация технологических процессов». Общее количество понятий в онтологии составило 578, количество отношений – 15, максимальная вложенность поня тий – 12, количество лексических меток на русском языке для каждого элемен та онтологии – от 1 до 9.

В онтологию было помещено 1227 экземпляров различных понятий пред метной области. Из них 112 экземпляров были выявлены в результате анализа документов, относящихся к выбранной предметной области. Эти экземпляры содержали от 1 до 3 лексических меток. Остальные 1115 экземпляров были ав томатически сгенерированны специально созданной программой. Для таких эк земпляров использовались лексические метки родительских понятий.

Наполненная экземплярами база знаний использовалась для аннотирования 27 рубрик каталога и 160 документов, относящихся к выбранной предметной области. Аннотирование выполнялось с использованием разработанных мето дом формирования семантических метаданных объектов знаний.

Созданные семантические метаданные объектов системы использовались для тестирования остальных методов – поиска, классификации и формирования рекомендаций. Указанные функции оценивались тремя тестерами с точки зре ния качества с использованием показателей формальной полноты и формаль ной точности. Показатели названы формальными потому, что они основывают ся на оценке формальной релевантности, а не на оценке удовлетворенности пользователя.

В процедурах поиска и классификации используются одинаковые показа тели семантической близости элементов онтологии – показатели с учетом на следования. Поэтому для этих процедур были получены одинаковые значения формальной полноты и формальной точности. Средняя формальная полнота со ставила 1, а средняя формальная точность составила 0,975.

В процедуре формирования рекомендаций используется пороговое значе ние для рекомендации. От этого значения зависит качество рекомендации. Чем больше пороговое значение, тем выше точность и меньше полнота. И наоборот, чем ниже пороговое значение, тем меньше точность и выше полнота. Было принято решение обеспечить максимальное значение показателя полноты ре комендации. Для этого в результате тестирования было определено пороговое значение для рекомендации, которое составило 0,4469. В этом случае формаль ная полнота рекомендации равна 1, а формальная точность варьируется от 0, до 1 и в среднем составляет 0,5646 (рис. 5).

Параметры тестирования вычислялись следующим образом:

a md – показатель формальной полноты, где a md – количество релевант RF = a md + b md ных семантических метаданных, выданных алгоритмом, bmd – количество реле вантных семантических метаданных, не выданных алгоритмом.

a md – показатель формальной точности, где a md – количество релевант PF = a md + c md ных семантических метаданных, выданных алгоритмом, cmd – количество нере левантных семантических метаданных, выданных алгоритмом.

Rf = 1 Rf = 1 Rf = Pf = 0,7142 Pf = 0,333 Pf = 0, Алгоритм Тестер 1 Алгоритм Тестер 1 Алгоритм Тестер 1,2 1,2 1, показатель SMfo показатель SMfo показатель SMfo 1 1 0,8 0,8 0, 0,6 0,6 0, 0,4 0,4 0, 0,2 0,2 0, 0 0 1 2 3 4 5 6 7 1 2 3 4 5 6 1 2 документы документы документы Рис. 5. Сравнение результатов работы тестеров с результатами работы алго ритма по данным первого тестера.

Как следует из значений параметров, приведенных на рис. 5, тестирование семантических методов работы с метаданными выявило высокие показатели качества их работы.

В четвертой главе рассмотрены подход к построению СУЗ на основе он тологической модели знаний организации и семантических методов работы с ней.

В работе показано, что в каждой организации вне зависимости от сферы ее деятельности, и от интенсивности ее взаимодействия с внешним миром, осуще ствляется непрерывный процесс преобразования знаний. Организация зарожда ется на определенном уровне знаний своих сотрудников и менеджеров, функ ционирует, используя и пополняя корпоративные знании (о сырье и продукте, о технологиях, инфраструктуре, о персонале, о потребителях, о рынке), являясь одновременно и потребителем и источником такого рода знаний.

Известно, что каждая организация уникальна. Это означает, что методы управления знаниями, в разной мере применимы и в разной степени эффектив ны для различных организаций. Оценить порядок предстоящих затрат и уро вень предстоящих доходов, а затем сравнить их с ожиданиями собственников организации в части основных бизнес показателей (рентабельность, динамика роста, устойчивость и перспективы развития бизнеса) трудная и формально и неразрешимая задача. Стратегии компании по управлению знаниями должны быть направлены в первую очередь на обеспечение и повышение эффективно сти работы бизнес-процессов.

Оценку целесообразности использования тех или иных стратегий, так же как и оценку их эффективности для конкретной организации практически нель зя осуществить иначе, чем путем использования знаний ее ведущих сотрудни ков. Именно они активно участвуют в бизнес-процессах и именно они являются носителями знаний и опыта необходимого для оценки предпочтительности предлагаемых стратегий УЗ. Немаловажным аргументом в пользу этих сообра жений является и то, что им же (топ менеджементу, менеджементу и ведущим специалистам) предстоит использовать на практике результаты своего выбора.

Это с одной стороны налагает на них дополнительную ответственность, а с другой, снимает известные психологические проблемы, связанные с внедрени ем новшеств. Исходя из приведенных соображений, разработана методика оценки и отбора стратегий управления знаниями, основанная на проведении групповой экспертизы:

Проведение групповой экспертизы по отбору стратегий управления зна ниями:

1. Топ-менеджмент и ведущие специалисты организации разбиваются на подгруппы по 8-10 человек в каждой.

2. Каждому эксперту выдается таблица, содержащая перечень функцио нально полных стратегий1, и столбцы для фиксации оценок эксперта по крите Определение функционально полного набора стратегий может быть результатом специального системного исследования, или итогом обобщения литературных источников.

риям (уровень текущего использования, уровень полезности и уровень приори тета по внедрению).

3. В процессе экспертизы каждый эксперт оценивает каждую стратегию следующим образом: rs = 1 – низкий уровень использования (полезности, при оритета);

rs = 2 – средний уровень использования (полезности, приоритета);

rs = 3 – высокий уровень использования (полезности, приоритета).

4. Итоги групповой экспертизы обрабатываются по каждому критерию: ис s пользование, полезность, приоритет по внедрению. Суммарные уровни Rk оп ределяются в соответствии с выражением:

1 m s n 1 s Rks = Rlk r jk, (1) m l =1 j =1 n s где rjk – уровень оценки, выставленной S стратегии j-ым экспертом, по k-му s критерию (использование, полезность, приоритет);

Rlk – средний уровень оцен s ки S-ой стратегии l-ой группой экспертов по k-му критерию;

Rk – средний уро вень оценки s-ой стратегии по всем группам экспертов по k-му критерию;

m – число групп экспертов (l=1,…,m);

n – число экспертов в группе (j=1,…,n);

z – число оцениваемых стратегий (s=1, …, z);

rs - число уровней оценки стратегии ( r s = 1,2,3).

5. Таблица, содержащая перечень стратегий сортируется по степени убыва s ния оценок Rk в каждом столбце и предоставляется топ-менеджменту органи зации для анализа и окончательного выбора стратегии управления знаниями с учетом естественных ограничений по ресурсам: деньги, люди, время.

Реализация стратегий УЗ основывается на использовании разработанных методов построения и работы с онтологической моделью знаний организации и множеством моделей объектов знаний. Архитектура программной реализации предлагаемого подхода основанная на двух основных программных системах:

1. Онтологической базе знания, включающей средства хранения и работы с онтологической моделью и метаданными.

2. Семантическом web-портале по работе со знаниями (включающем сервер онтологии, сервер метаданных и набор функциональных подсистем).

Онтологическая база знаний организации реализована на основе реляци онной СУБД и включает многоуровневый набор программного обеспечения ра боты с ней.

Современный технологический уровень взаимодействия пользователей с онтологической базой знаний организации, а именно, распределенный, удален ный, многопользовательский режим работы обеспечивает семантический web портал. Первая версия семантического web-портала прошла эксперименталь ную апробацию при выполнении НИР по созданию корпоративной СУЗ для IT компании «ЭлеСи». Текущая версия семантического web-портала зарегистри рована в Роспатенте [43].

Исходя из проведенных исследований и разработок, общая схема предла гаемого подхода к созданию системы управления знаниями, а также и много уровневая архитектура его программной реализации показана на рис. 6.

Среда деятельности организации Бизнес Бизнес процессы процессы......

Регламенты Регламенты Уровень поддержки Семантический web-портал (интерфейс доступа пользо интерфейсов пользо вателей к всему множеству знаний и сервисов) вателей (уровень представления) Уровень поддержки про Поддержка Поддержка Поддержка цессов работы со знания- работы со работы со работы со ми: функциональные.....

знаниями в 1 знаниями в 2 знаниями в n подсистемы: бизнес- бизнес- бизнес - для общих процессов процессе процессе процессе работы со знаниями;

Поддержка общих процессов работы со знаниями - для бизнес-процессах (уровень бизнес-логики) Уровень работы со знаниями Онтологическая база знаний организации (уровень знаний – ин- (модель знаний, описание объектов знаний, методы и API) теграция информа ции) Уровень работы Хранилище Хранилище документов с данными Реляционная СУБД Хранилище Базы данных документов Базы данных (уровень данных – со схемой базы зна- документов интеграция дан- ний ных) Рис. 6. Схема построения системы управления знаниями организации.

В пятой главе описан опыт применения разработанных моделей при соз дании ряда информационно-программных систем.

Первоначальные результаты диссертационного исследования, касающиеся использования таксономий для описания структур различных источников дан ных и информации и их согласования, были получены и использованы для ин теграции разнообразных данных по нефтедобыче и геофизике при разработке информационно-программной системы «Томограф 5.2» (с 1992 по 2000 г.).

Данная система была разработана, внедрена и активно использовалась во многих нефтедобывающих объединениях Западной Сибири и республики Коми (ПО «Когалымнефтегаз», «Сургутнефтегаз», «Юганскнефтегаз», «Томск нефть», НГДУ «Урайнефтегаз», «Самотлорнефть», «Южоренбургнефть» СП «Белые ночи», «Нобель Ойл» и пр.) для интеграции, обработки и разнообразной визуализации информации (двухмерные и трехмерные изображения, разрезы, построение структурных и производственных карт, и их вывод на различные устройства – дисплеи, принтеры и плоттеры).

В большей мере подходы, модели и алгоритмы, полученные в ходе диссер тационного исследования, использовались при разработке система управления результатами научно-технической деятельности (НТД) крупной вертикально интегрированной компании НК «ЮКОС» (с 2001 по 2002 г.). Разработанная информационно-программная система обеспечивала хранение и использование семантических описаний результатов НТД компании и ее управляемых об ществ, а также для обеспечения режима коллективной работы сотрудников компании с такими описаниями. Данная система была внедрена и использова лась в нефтедобывающих объединениях «Самаранефтегаз», «Юганскнефтегаз», «Томскнефть» и центральном офисе компании.

Описания объектов основывались на таксономиях основных понятий в об ласти интеллектуальной собственности и основных направлений деятельности нефтяных компаний. Созданная система позволяет:

• Хранить семантические описания всех имеющихся в компании результа тов НТД;

• Описывать и заносить в базу знаний новые результаты НТД;

• Поддерживать бизнес-процесс сбора и экспертной оценки новых резуль татов НТД;

• Выполнять семантический поиск результатов НТД, интересующих поль зователей;

• Участвовать в электронных дискуссиях по темам, связанным с результа тами НТД;

• Получать отчеты о содержании базы знаний и работе пользователей (из журнала) с системой;

• Выполнять удаленное администрирование работой системы.

Метаданные объектов интеллектуальной собственности описаны в этой системе с использованием разработанного на основе XML языка специальных описаний. Описания результатов НТД с помощью программ-анализаторов XML (в системе используется MSXML 4.0) преобразовывались в объектные модели документов (DOM) для работы с ними. Кроме этого, описания также преобра зовывались для предоставления пользователям в HTML страницы с помощью описаний преобразований на языке XSLT.

Дальнейшим развитием системы управления результатами НТД и новым ее практическим применением явился, созданный web-портал «Petroleum Engi neers Virtual Network» (PEVN). Портал PEVN представляет собой программную систему управления явными и неявными знаниями для коллектива специали стов в области разработки нефтяных месторождений. Данная разработка была выполнена по заказу Центра профессиональной переподготовки специалистов нефтегазового дела ТПУ (г. Томск), внедрена и используется с 2003 года. Про граммная реализация портала была зарегистрирована в Отраслевом фонде ал горитмов и программ [42].

Наиболее полно результаты исследований выполненных в диссертацион ной работе, использованы в процессе разработки системы управления знаниями компании «ЭлеСи» (г. Томск).

В соответствии с исследованной в работе методологией была определена область применения разрабатываемой онтологии знаний организации. Приме нительно к компании «ЭлеСи», такой областью определена «Автоматизация», обеспечивающая основные бизнес-процессы компании, а именно: научно исследовательские и опытно-конструкторские работы;

проектирование;

разра ботка программно-технических комплексов;

разработка программного обеспе чения;

производство и испытания;

заключение и сопровождение договоров;

управление проектами.

Выявление областей знаний, актуальных для деятельности компании, осу ществлялось на основе системного анализа её бизнес-процессов и состава ко нечных продуктов деятельности. В результате этого были выявлены 24 основ ных областей знаний компании по трем группам.

Процесс построения онтологии был локализован применительно к «Управ ляемым электроприводам», активно используемым в инновационной деятель ности компании «ЭлеСи». В результате анализа были выявлены базовые поня тия для области знаний «Управляемые электроприводы» и набор отношений между ними.

В качестве программно-технической части системы был разработан и вне дрен семантический портал, включающий такие основные подсистемы, как:

электронная библиотека;

база профилей компетенции ведущих сотрудников компании;

семантический поиск;

поддержка работы экспертов компании.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ В диссертационной работе по результатам выполненных теоретических и экспериментальных исследований разработан комплексный подход к проекти рованию и созданию систем управления знаниями организаций с использовани ем онтологического моделирования и семантических методов, а также на осно ве анализа бизнес-процессов, активно работающих со знаниями и экспертно обоснованного выбора стратегии реализации управления знаниями. Данный подход объединяет исследования в областях инженерии знаний, системного анализа, интеграции данных и информации, проектирования и разработки ин формационных систем, анализа бизнес-процессов и вносит значительный вклад в развитие подхода к использованию онтологического моделирования и семан тических методов для проектирования и разработки информационно программных систем поддержки управления знаниями организаций. Внедрение разработанных автором моделей, алгоритмов и программных средств имеет существенное значение для решения проблемы повышения эффективности управления процессами работы со знаниями организаций.

Научная новизна и практическая ценность данной работы содержится в следующих основных результатах:

1. Предложен принцип проектирования и создания информационной тех нологии разработки систем управления знаниями организаций на основе онто логического моделирования и семантических методов, учитывающий особен ности организации и удовлетворяющих специфическим требованиям к под держке бизнес-процессов и стратегии деятельности организации. На основе предложенных принципов разработана структура информационно программного обеспечения СУЗ, предоставляющая возможность объединять поддержку различных бизнес-процессов на основе использования единой онто логической модели знаний организации и семантических методов работы с ней.

2. Обосновано использование онтологических моделей и семантических методов для решения широкого круга задач повышения эффективности и каче ства работы со знаниями организации. Разработана и теоретически обоснована структура единой онтологической модели знаний организации, включающая онтологию организации и онтологии предметных областей основных направле ний их деятельности. Предложена методика формирования и методы верифи кации, согласования и поддержки данной онтологической модели.

3. Разработаны модели описания объектов организации, содержащих и ра ботающих со знаниями. Предложены различные методы их формирования. Для объектов знаний, содержащих текст (явные знания) предложены ручной и по луавтоматический методы формирования семантических моделей. Для форми рования моделей компетенции специалистов (скрытые знания) предложен ме тод обработки результатов квалификационного аудита и метод обработки запи сей журнала результатов работы специалистов в СУЗ.

4. Разработаны методы вычисления семантической близости контекстных и контентных метаданных, на основе их взаимосвязи в онтологии знаний орга низации. На основе методов вычисления семантической близости метаданных разработаны такие базовые методы работы с объектами знаний, как семантиче ский поиск, классификация и формирование рекомендаций. Результаты выпол ненного тестирования показали высокое качество их работы.

5. Разработан подход к выбору стратегии реализации управления знания ми на основе определения бизнес-процессов, активно работающих со знаниями и методов многокритериального экспертного оценивания.

6. Разработана четырех уровневая архитектура создания информационно программной системы управления знаниями, в которую включены уровень данных и информации (множество ресурсов знаний организации), уровень ин теграции информации и знаний (онтологическая база знаний, содержащая он тологическую модель и множество семантических метаописаний), уровень биз нес логики (включающая поддержку базовых методов работы со знаниями и специфическую поддержку выделенных бизнес-процессов) и уровень интер фейса пользователя, включающий семантический web-портал.

7. Разработано информационно-программное обеспечение поддержки сис тем интеграции информации и управления знаниями на основе онтологическо го моделирования и семантических методов, включающее такие основные сис темы, как:

• Система управления результатами научно-технической деятельности на основе создания базы знаний с описаниями объектов интеллектуальной дея тельности и набора функциональных подсистем для ведения базы знаний и ор ганизации коллективной работы с объектами интеллектуальной собственности.

• Web-портал для работы с явными и скрытыми знаниями для формиро вания метаданных документов и профилей компетентности сотрудников с це лью повышения эффективности поиска и предоставления доступа к требуемым знаниям. Поддержка взаимодействия специалистов посредством он-лайн обще ния и дискуссий. Ранжирование специалистов, в зависимости от их активности в процессе распространения знаний, и курирование экспертами процессом об мена знаниями.

• Онтологическая база знаний для хранения онтологических моделей знаний организации и семантических метаописаний объектов знаний в реляци онных СУБД и предоставления эффективного доступа к ним с использованием набора прикладных программных интерфейсов и средств поддержки.

• Семантический web-портал СУЗ, включающий серверы онтологий и метаданных объектов знаний организации для реализации функциональных подсистем и доступа к онтологической базе знаний.

• Общий объем оригинального программного кода составил более 5 Мб.

Осуществлено тестирование программного кода на онтологических моделях и множествах семантических метаданных.

8. Разработанное по результатам диссертационного исследования инфор мационно-программное обеспечение внедрено в ряде нефтедобывающих объе динений Западной Сибири и республики Коми (ПО «Когалымнефтегаз», «Сур гутнефтегаз», «Юганскнефтегаз», «Томскнефть», НГДУ «Урайнефтегаз», «Са мотлорнефть», «Южоренбургнефть» СП «Белые ночи», «Нобель Ойл» и пр.), нефтяной компании ЮКОС, Центре профессиональной переподготовки спе циалистов нефтегазового дела ТПУ и ЗАО «ЭлеСи» (г. Томск).

Результаты применения созданного информационно-программного обес печения на основе разработанных моделей, методов и алгоритмов для интегра ции информации и управления знаниями организаций различного вида показа ли их эффективность, в части обеспечения эффективности поддержки разнооб разных процессов работы со знаниями, эффективности доступа к ним, а также сокращения трудоемкости разработки подобных систем.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ 1. Тузовский, А. Ф. Системы управления знаниями. Методы и технологии.

/ А. Ф. Тузовский, С. В. Чириков, В. З. Ямпольский – Томск: Изд-во НТЛ, 2005.

– 260 с. – ISBN 5-89503-241-9.

2. Тузовский, А. Ф. Основные принципы создания системы управления знаниями компании / А. Ф. Тузовский, В. З. Ямпольский // Вычислительные технологии. – 2003. – Т. 8., спец. выпуск. – С. 26–34.

3. Тузовский, А. Ф. Интеллектуальное пространство в системах управле ния знаниями / А. Ф. Тузовский, В. З. Ямпольский // Известия высших учебных заведений. Физика. – 2004. – № 7. –С. 23–29.

4. Тузовский, А. Ф. Анализ концептуальных моделей работы со знаниями, как этап обоснования архитектуры системы управления знаниями / А. Ф. Ту зовский, В. З. Ямпольский // Известия Томского политехнического университе та. – 2004. – Т. 307. – № 7. – C. 111–116.

5. Тузовский, А. Ф. Программная реализация основных компонент инфор мационно-программного обеспечения системы управления знаниями / А. Ф. Ту зовский, И. А. Васильев, М. В. Усов // Известия Томского политехнического университета. – 2004. – Т. 307. – № 7. – C. 116–122.

6. Тузовский, А. Ф. Использование онтологий в системах управления зна ниями организаций / А. Ф. Тузовский [и др.] // Известия Томского политехни ческого университета. – 2006. – Т. 309. – № 3. – C. 180–184.

7. Тузовский, А. Ф. Работа с онтологической моделью организации на ос нове дескриптивной логики / А. Ф. Тузовский // Известия Томского политехни ческого университета. – 2006. – Т. 309. – № 7. – C. 134–137.

8. Тузовский, А. Ф. Метод объединения онтологий предметных областей знаний / А. Ф. Тузовский // Известия Томского политехнического университета.

– 2006. – Т. 309. – № 7. – C. 138–141.

9. Тузовский, А. Ф. Архитектура семантического web-портала / А. Ф. Ту зовский // Известия Томского политехнического университета. – 2006. – Т. 309.

– № 7. – C. 142–145.

10. Тузовский, А. Ф. Разработка системы управления знаниями на основе единой онтологической базы знаний / А. Ф. Тузовский // Известия Томского политехнического университета. – 2007. – Т. 310. – № 2. – C. 182–185.

11. Тузовский, А. Ф. Создание и использование базы знаний профилей компетентности специалистов организации / А. Ф. Тузовский // Известия Том ского политехнического университета. – 2007. – Т. 310. – № 2. – C. 186–189.

12. Тузовский, А. Ф. Формирование семантических метаданных для объек тов системы управления знаниями / А. Ф. Тузовский // Известия Томского по литехнического университета. – 2007. – Т. 310. – № 3. – C. 108–112.

13. Тузовский, А. Ф. Развитие информационной системы нефтедобываю щего производства ОАО “Юганскнефтегаз” / А. Ф. Тузовский [и др.] // Нефтя ное хозяйство. – 1999. – № 10. – C. 50–56.

14. Тузовский, А. Ф. Программная система "Томограф" для анализа и мо делирования процессов в нефте- и водонасыщенных пластах с системами сква жин / А. Ф. Тузовский, С. В. Костюченко // Вычислительные технологии. – 1995. – Т. 4. – № 10. – C. 245–251.

15. Тузовский, А. Ф. Системы управления знаниями в образовании / А. Ф.

Тузовский, В. З. Ямпольский // Сб. Современные средства и системы автомати зации. – Томск: изд. ТГУ, 2002. – С. 295–299.

16. Тузовский, А. Ф. Информационные технологии в управлении знаниями / А. Ф. Тузовский, В.З. Ямпольский // Кибернетика и вуз: Межвузовский науч но-технический сб., Вып. 30. – Томск: ТПУ, 2003. – С. 13–21.

17. Тузовский, А. Ф. Система управления результатами научно технической деятельности предприятия / А. Ф. Тузовский, И. А. Васильев // Кибернетика и вуз: Межвузовский научно-технический сб., Вып. 30. – Томск:

ТПУ, 2003. – С. 5–12.

18. Тузовский, А. Ф. Поддержка работы экспертов в системах управления знаниями / А. Ф. Тузовский, С. В. Чириков // Itech - интеллектуальные техноло гии. – 2005. – № 1. – Томск: Изд-во «Проект», C. 68-72.

19. Тузовский, А. Ф. Семантические порталы организаций / А. Ф. Тузов ский, В. З. Ямпольский, С. В. Чириков // Itech - интеллектуальные технологии. – 2005. – № 2. – Томск: Изд-во «Проект», C. 78–81.

20. Тузовский, А. Ф. Системы управления знаниями организаций на основе семантических технологий / А. Ф. Тузовский // Itech - интеллектуальные техно логии. – 2006. – № 5 – Томск: Изд-во «Проект», C. 75–79.

21. Тузовский, А. Ф. От баз данных к базам знаний / А. Ф. Тузовский, В. З.

Ямпольский // Информационные технологии территориального управления. – 2004. – № 42. – С. 49–56.

В сборниках трудов и тезисов конференций 22. Tuzovsky, A. F. Knowledge management system, as new maturity level of company information system / A. F. Tuzovsky, V. Z. Yampolsky // Proceedings of the 6th Korea-Russia International Symposium on Science and Technology (KORUS–2002) – Novosibirsk, Russia, June 24 – 30 2, 2002. – Novosibirsk : No vosibirsk State Technical University(NSTU), 2002 – V. 2. – P. 213-216.

23. Tuzovsky, A. F. The system approach to knowledge management systems designing and development / A. F. Tuzovsky, V. Z. Yampolsky // Proceedings of the 7th Korea-Russia International Symposium on Science and Technology (KORUS– 2003) – Republic of Korea, June 28-July 6, 2003. – University of Ulsan, 2003 – V. 2.

– P. 319–323.

24. Tuzovsky, A. F. Multilingual thesauri development and application / A. F Tuzovsky., S. V. Kozlov, D. V. Bubnov // Proceedings of the 7th Korea-Russia Inter national Symposium on Science and Technology (KORUS–2003) – Republic of Ko rea, June 28-July 6, 2003. – University of Ulsan, 2003 – V. 2. – P. 405–409.

25. Тузовский, А. Ф. Структура системы управления знаниями / А. Ф. Ту зовский, И. А. Васильев // Информационные и системные технологии в индуст рии, образовании и науке. Труды международного симпозиума – Караганда, 24 25 сентября 2003. – Караганда: КарГТУ, 2003. – C. 286–288.

26. Тузовский, А. Ф. Определение семантики произвольных документов / А. Ф. Тузовский, М. В. Усов // Информационные и системные технологии в ин дустрии, образовании и науке. Труды международного симпозиума – Караган да, 24-25 сентября 2003. – Караганда: КарГТУ, 2003. – C. 289–291.

27. Tuzovsky, A. F. Ontological Knowledge Management System Development / A. F. Tuzovsky, S. V. Chirikov, V. Z. Yampolsky // Proceedings of the 8th Korea Russia International Symposium on Science and Technology (KORUS–2005) - No vosibirsk, Russia, June 26 – July 2, 2005. – Novosibirsk : Novosibirsk State Techni cal University(NSTU), 2005. - P. 84–90.

28. Тузовский, А. Ф. Построение модели знаний организации с использо ванием системы онтологий / А. Ф. Тузовский, С. В. Козлов // Компьютерная лингвистика и интеллектуальные технологии: Труды международной конфе ренции «Диалог – 2006» – Бекасово, 31 мая – 4 июня 2006. – М.: Изд-во РГГУ, 2006. – С. 508-512.

29. Тузовский, А. Ф. Методы и инструментальные средства построения се мантических Web-порталов / А. Ф. Тузовский, И. А. Васильев // Сборник тези сов докладов второй международной конференция по когнитивной науке CogSci-2006 – Санкт-Петербург, 9-13 июня 2006. – Т. 2 – Санкт-Петербург:

СПбГУ, 2006 – С. 572–573.

30. Тузовский, А. Ф. Работа с онтологиями в системе управления знаниями организации / А. Ф. Тузовский, С. В. Козлов // Сборник тезисов докладов вто рой международной конференция по когнитивной науке CogSci-2006 – Санкт Петербург, 9-13 июня 2006. – Санкт-Петербург: СПбГУ, 2006 – Т. 2 – C. 581– 583.

31. Тузовский, А. Ф. Онтолого-семантический подход к созданию систем управления знаниями организаций / А. Ф. Тузовский, В. З. Ямпольский // Реин жиниринг бизнес-процессов на основе современных информационных техноло гий. Системы управления знаниями: Тезисы докладов 9-ой научно практической конференции РБП-СУЗ – Москва. – М.: МЭСИ, 2006. – С. 125 130.

32. Тузовский, А. Ф. Построение и поддержка профилей компетенции спе циалистов компании / А. Ф. Тузовский, А. А. Рыбак // Интеллектуальные сис темы (INTELS-2006): Труды седьмого международного симпозиума – Красно дар, 26-30 июня 2006. – М.: Русаки, 2006. – С. 294–298.

33. Тузовский, А. Ф. Разработка семантической подсистемы web-портала / А. Ф. Тузовский, И. А. Васильев // Интеллектуальные системы (INTELS-2006):

Труды седьмого международного симпозиума – Краснодар, 26-30 июня 2006. – М.: Русаки, 2006. – С. 338–342.

34. Тузовский, А. Ф. Построение модели знаний организации с использо ванием системы онтологий / А. Ф. Тузовский, С. В. Козлов // Интеллектуальные системы (INTELS-2006): Труды седьмого международного симпозиума – Крас нодар, 26-30 июня 2006. – М.: Русаки, 2006. – С. 290–294.

35. Тузовский, А. Ф. Интеграция разнородных информационных ресурсов на основе онтологической модели знаний / А. Ф. Тузовский, С. В. Козлов // Ин формационные и системные технологии в индустрии, образовании и науке: На учные труды международного симпозиума – Караганда, 21-22 сентября 2006. – Караганда: Карагандинский государственный технический университет, 2006. – С. 231–233.

36. Тузовский, А. Ф. Семантическое аннотирование документов / А. Ф. Ту зовский, М. В. Усов // Информационные и системные технологии в индустрии, образовании и науке: Научные труды международного симпозиума – Караган да, 21-22 сентября 2006. – Караганда: Карагандинский государственный техни ческий университет, 2006. – С. 240–242.

37. Тузовский, А. Ф. Построение и использование баз знаний профилей компетенции специалистов компании / А. Ф. Тузовский, А. А. Рыбак // Инфор мационные и системные технологии в индустрии, образовании и науке: Науч ные труды международного симпозиума – Караганда, 21-22 сентября 2006. – Караганда: Карагандинский государственный технический университет, 2006. – С. 234–236.

38. Тузовский, А. Ф. Поиск в информационной системе организации / А. Ф.

Тузовский, А. В. Черний // Информационные и системные технологии в инду стрии, образовании и науке: Научные труды международного симпозиума – Караганда, 21-22 сентября 2006. – Караганда: Карагандинский государственный технический университет, 2006. – С. 237–239.

39. Тузовский, А. Ф. Разработка семантических web-порталов организации / А. Ф. Тузовский, С. В. Козлов, И. А. Васильев // Информационный бюллетень Шестой Международной конференции «Перспективы систем информатики».

Рабочий семинар «Наукоемкое программное обеспечение» - Новосибирск, 28 29 июня 2006. - Новосибирск: Институт систем информатики имени Ершова СО РАН, 2006. – C. 102-106.

Свидетельства об официальной регистрации программных систем разра ботанных на основе результатов диссертации:

40. Программная система «Томограф, версия 5» / А. Ф. Тузовский, С. В.

Костюченко // Свидетельство о регистрации в Роспатенте программы для ЭВМ № 960017 от 15.01.1996.

41. Программная система управления результатами научно-технической деятельности / А. Ф. Тузовский [и др.] // Свидетельство о регистрации про граммы в «Отраслевом фонде алгоритмов и программ» № 4607 от 29.04.2005.

42. Программная система «Web-портал для работы с явными и неявным знаниями организации» / А. Ф. Тузовский [и др.] // Свидетельство о регистра ции программы в «Отраслевого фонда алгоритмов и программ» № 4608 от 29.04.2005.

43. Программная система «Семантический портал системы управления знаниями организации» / А. Ф. Тузовский [и др.] // Свидетельство о регистра ции в Роспатенте программы для ЭВМ № 2007610008 от 9.01.2007.

Тузовский Анатолий Федорович Онтолого-семантические модели в корпоративных системах управления знаниями Специальность 05.13.01 - Системный анализ, управление и обработка информации (в отрас ли: информация и информационные технологии) Автореферат диссертации на соискание учёной степени доктора технических наук.

Подписано к печати 25.06.2007. Формат 60х84/16. Бумага «Классика».

Печать RISO. Усл.печ.л. 2,33. Уч.-изд.л. 2,11.

Заказ 518. Тираж 100 экз.



 

Похожие работы:





 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.