EKG в Системах управления знаниями

В большинстве KMS верхним уровнем структуры знаний является привычная всем пользователям ПК иерархия "папок" и документов, поэтому моделирование структуры знаний начинается с построения единой иерархии для навигации по ним. На практике структура знаний практически любой компании настолько сложна, что не укладывается в одну иерархию. Смешивание в одном дереве разных оснований классификации знаний приводит к потере его логической структуры и усложняет навигацию.

Чтобы обойти это ограничение, элементы знаний начинают помечать тегами – произвольно выбираемыми словами, каждое из которых может означать один из основных бизнес-объектов или термин из бизнес-глоссария. Тегирование может быть автоматизировано с помощью алгоритмов машинного обучения. Сами теги обычно никак не структурируются и образуют простой список.

Для построения EKG сначала создается онтологическая модель предметной области, которая описывает типы бизнес-объектов, их возможных связей и свойств. Для одних отраслей (например, банковской) такие модели существуют в готовом виде, для других их необходимо разработать в ходе выполнения проекта.

Частью модели также может стать бизнес-глоссарий (например, построенный в соответствии с моделью SKOS), в котором представлены термины, которыми обозначаются бизнес-объекты, свойства и связи.

Затем строятся каталоги основных бизнес-объектов, с которыми могут быть связаны элементы знаний – это могут быть активы, клиенты, сотрудники и др. Если в компании уже внедрена MDM-система, она может стать источником наполнения таких каталогов.

В модели можно создать множество иерархических фасетов для классификации элементов знаний.

Наполнение информацией классической KMS чаще всего происходит вручную. Эксперту необходимо найти в организации источники знаний по каждому вопросу, обработать их, извлечь необходимую информацию, поместить ее в соответствующий раздел KMS и снабдить метаданными для поиска, включая теги.

Для организации процесса наполнения часто применяются сложные проектные практики: организация рабочих групп и комитетов, проведение интервью и опросов, согласование вносимой в KMS информации. Все это отнимает дорогостоящее рабочее время самых компетентных сотрудников организации.

Для наполнения EKG прежде всего используются структурированные и неструктурированные данные, существующие в организации. Вручную вносится только та информация, которая ранее не существовала в электронном виде. Для извлечения структурированных данных создаются адаптеры, которые извлекают информацию из корпоративных систем с помощью веб-сервисов или путем обращения к копиям их БД. Для работы адаптеров в онтологической модели создаются правила, описывающие соответствие элементов модели элементам структуры данных в источниках (парадигма OBDA, Ontology-based data access). Извлеченные данные могут быть материализованы в хранилище EKG или извлекаться из источника по запросу.

Для индексирования документов создается краулер, обходящий все файловые хранилища. Наряду с обычным полнотекстовым индексом он определяет бизнес-объекты, упоминаемые в каждом документе, и связывает их.

Таким образом в EKG образуется виртуальное представление каждого бизнес-объекта, обогащенное всей доступной информацией о нем. Такое представление можно рассматривать как своего рода  цифровую тень  (digital shadow) бизнес-объекта.

Неверные или неактуальные данные, содержащиеся в KMS, могут причинить существенный ущерб, если будут использованы при принятии решений. В подавляющем большинстве классических KMS-систем нет никаких инструментов контроля актуальности и верификации данных – эти задачи полностью возлагаются на людей-экспертов. При быстром изменении бизнес-среды контролировать актуальность всей информации в KMS крайне сложно.

Нельзя исключать и "человеческий фактор" как источник ошибок при внесении сведений в KMS.

Онтологии позволяют записывать в машинно-читаемом виде правила валидации информации и правила получения логических выводов на основании имеющихся фактов. Такие правила, конструируемые аналитиком, позволяют автоматизировать очистку и обогащение содержимого EKG.

Любая информация, попадающая в EKG, сохраняет связь со своим источником. При просмотре любых фактов в EKG всегда можно точно установить, когда и откуда они получены. Использование структурированных данных, индексация документов-первоисточников позволяет снизить вероятность попадания в EKG неверной информации. Все это позволяет повысить степень доверия к сведениям, содержащимся в EKG.

Чтобы найти нужную информацию в классической KMS, пользователь использует навигацию по дереву содержимого, поиск по тегам, полнотекстовый поиск. Используются также гиперссылки между элементами содержания и виджеты типа "Похожие статьи", содержимое которых может строиться с помощью алгоритмов машинного обучения.

Найденный элемент знаний, как правило, представляет собой текстовую статью, в которой содержится заранее подготовленный ответ на конкретный вопрос или описание определенной ситуации.

Пользователь может строить сложные запросы к EKG, включающие несколько взаимосвязанных условий, например: "В каких факторинговых сделках с клиентами отрасли N на сумму более X млн.$ применялась оценка рисков по методике M?" Важно, что EKG дает точные ответы на подобные вопросы, опираясь на данные, а не просто подбирает документы, в которых встречаются соответствующие слова. Можно использовать результаты одних запросов как набор входных параметров для других.

Найденный элемент знаний представляет собой объект, обладающий множеством свойств и связей с другими объектами. Просмотр объектов и навигация по ним осуществляется в wiki-подобном интерфейсе. Может быть визуализирован и сам граф связей – это дает возможность быстро оценить полную картину информации, доступной по каждому объекту.

Вспомогательными функциями EKG являются поиск связей между объектами, поиск похожих объектов.

Процесс поддержки KMS мало отличается от процесса ее первоначального наполнения и сводится к добавлению новых материалов, коррекции существующих и удалению неактуальных. На поддержку затрачиваются значительные трудовые ресурсы экспертов.

EKG автоматически собирает актуальную информацию из систем-источников и документов, исключает устаревшие данные. Поддержка заключается в расширении модели по мере включения новых доменов знаний в периметр EKG или изменения бизнес-процессов.

EKG может быстро реагировать на изменения требований, процессов и структур данных источников, поскольку для их отражения в системе нужно вносить изменения только в модель, а не в программный код.

Инновационные функции KMS чаще всего сводятся к попыткам применения нейросетей для улучшения практики поиска контента. В целом для этого сегмента характерно достаточно медленное развитие как парадигмы в целом, так и функциональных возможностей конкретных продуктов.

Перспективы EKG сразу по нескольким направлениям связаны с развитием технологий распознавания смысла текста на естественном языке (NLU, Natural Language Understanding). Они могут использоваться для обогащения содержания EKG за счет фактов, извлеченных из текста, повышая тем самым доступность информации из неструктурированных источников. Улучшат они и пользовательский опыт взаимодействия с системой: возможность задать вопрос на обычном языке, а не конструировать запрос в форме поиска, ускорит поиск информации. Чат-бот или диалоговый помощник, использующий информацию из EKG, позволит непосредственно получать ответы на важные для пользователя вопросы, а не разбираться в массиве результатов запроса.