ZARZĄDZANIE WIEDZĄ I TECHNOLOGIE WSPOMAGAJĄCE. Plan i cele wykładu. Wprowadzenie. Systemy Informacyjne Zarządzania

Transkrypt

1 Systemy Informacyjne Zarządzania Wprowadzenie ZARZĄDZANIE WIEDZĄ I TECHNOLOGIE WSPOMAGAJĄCE Jerzy Korczak Uniwersytet Ekonomiczny, Wrocław Katedra Technologii Informacyjnych jerzy.korczak at ue.wroc.pl W części materiału wykorzystano slajdy M. Owoca opracowane na podstawie: Laudon K.C, Laudon J.P.: Management Information Systems, wyd. 11 (9) 2010 Chapter 11(12): Managing Knowledge and Collaboration Szacuje się, że sprzedaż oprogramowania dla potrzeb ZW będzie wzrastała rocznie o 15% Ekonomika informacji (USA) 55% zatrudnionych jest w sektorze przetwarzania informacji i wiedzy 60% GDP pochodzi z sektora przetwarzania informacji i wiedzy Znacząca część udziału w wartości firm na giełdzie dotyczy niematerialnych aktywów: wiedzy, marki, reputacji i unikalnych procesów biznesowych Projekty bazujące na wiedzy mogą generować nadzwyczajne wskaźniki ROI 1 2 Wprowadzenie - statystyki Sprzedaż oprogramowania ZW (USA) w latach Plan i cele wykładu Wprowadzenie wiedza w biznesie Typy systemów do zarządzania wiedzą i prezentacja ich użyteczności w organizacjach Typowe systemy zarządzania wiedzą Specjalistyczne systemy zarządzania wiedzą Systemy wykorzystujące techniki AI ICT w zarządzaniu wiedzą 3 4 4/54 Co to jest WIEDZA? Co to jest WIEDZA? (cd.) Wiedza ma różne formy: jawna (dokumentowana) lub ukryta ( rezydująca w głowach ) know-how, umiejętności, rzemiosła reguły przestrzegania procedur informacja o przyczynach zdarzeń Wiedza jest zaliczana do aktywów firmy: niematerialnych tworzenie wiedzy z danych i informacji wymaga zaangażowania zasobów organizacji jest dzielona jako efekt doświadczeń sieciowych Wiedza jest umiejscowiona jest zdarzeniem poznawczym ma charakter społeczny i indywidualny jest przytwierdzona (trudna do przesunięcia), zlokalizowana ( zanurzona w firmie), kontekstualna (użyteczna tylko w pewnych sytuacjach) Wiedza jest sytuacyjna uwarunkowana: wiadomo kiedy stosować procedury kontekstualna: znane okoliczności wykorzystania określonych narzędzi 5 6 6/54 1

2 Organizacje uczące się Zarządzanie wiedzą Procesy, w ramach których organizacja się uczy: zbieranie doświadczeń przez gromadzenie danych, miar, prób, błędów i reakcji dopasowanie działania do zdobytych doświadczeń tworzenie nowych procesów biznesowych zmiany w zakresie wzorców zarządzania w procesie podejmowania decyzji Zarządzanie wiedzą (knowledge management): Zbiór procesów biznesowych wypracowanych w organizacji to tworzenia, zapamiętywania, transferu i stosowania wiedzy Łańcuch wartości ZW (knowledge management value chain) każdy z etapów dodaje wartości w procesie przekształcania danych i informacji w użyteczną wiedzę Pozyskiwanie wiedzy (knowledge acquisition) Zapamiętywanie wiedzy (knowledge storage) Upowszechnianie wiedzy (knowledge dissemination) Wykorzystanie wiedzy (knowledge application) 7 8 Łańcuch wartości zarządzania wiedzą Łańcuch wartości zarządzania wiedzą Pozyskiwanie wiedzy Dokumentowanie wiedzy niejawnej i jawnej Rejestrowanie dokumentów, raportów, prezentacji i dobrych praktyk Dokumenty nieustrukturalizowane (np. e) Budowa sieci ekspertów online Tworzenie wiedzy Śledzenie i pobieranie danych z systemów transakcyjnych i źródeł zewnętrznych 9 9/54 10 Zapamiętywanie wiedzy Bazy danych Łańcuch wartości zarządzania wiedzą Systemy zarządzania dokumentami Rola zarządzania: Wspomaganie budowy planowanych systemów zapamiętywania wiedzy Zachęcanie do budowy schematów ogólnych firmy przeznaczonych do indeksowania dokumentów Gratyfikacja pracowników zajmujących się właściwym rejestrowaniem i aktualizowaniem dokumentów Upowszechnianie wiedzy Portale Łańcuch wartości zarządzania wiedzą Propagowanie raportowania korespondencji owej Maszyny wyszukujące Narzędzia wspomagające współpracę Zalew informacyjny? Programy szkoleniowe, sieci informacyjne, dzielenie się wiedzą pomagającą menedżerom na skoncentrowanie uwagi na ważnych informacjach

3 Łańcuch wartości zarządzania wiedzą Typy systemów zarządzania wiedzą Wykorzystywanie wiedzy Zapewnienie zwrotu z inwestycji (ROI), wiedza organizacyjna powinna stać się systematyczną częścią podejmowania decyzji z ulokowaniem jej w systemach wspomagania decyzji Nowe praktyki biznesowe Nowe produkty i usługi Nowe rynki Typy systemów zarządzania wiedzą Systemy zarządzania wiedzą w biznesie Firmowe systemy zarządzania wiedzą (enterprise-wide knowledge management systems) Celowe działania firmy zachęcające do gromadzenia, zapamiętywania, upowszechniania i wykorzystywania elektronicznych zasobów i wiedzy Specjalizowane SZW (knowledgework systems ) Dedykowane systemy tworzone dla inżynierów, badaczy i innych pracowników wiedzy zaangażowanych w procesach odkrywania i tworzenia nowej wiedzy Techniki inteligentne Zróżnicowana grupa technik takich jak data mining wykorzystywanych do różnych celów: odkrywania wiedzy, doskonalenia wiedzy, odkrywanie optymalnych rozwiązań /54 Communigram Systemy zarządzania wiedzą w biznesie Kluczowy problem tworzenie taksonomii Obiekty wiedzy muszą być przypisane do kategorii (cele wyszukiwawcze) Systemy zarządzania nośnikami elektronicznymi Specjalizowane systemy zarządzania zawartością do klasyfikowania, zapamiętywania nieustrukturalizowanymi danymi Fotografie, grafiki, wideo, audio

4 Systemy wiedzy sieciowej Sieci semantyczne - Topic Maps Dostarczają bezpośrednich informacji o ekspertach dziedzinowych w dobrze zdefiniowanych obszarach wiedzy Używają technologii komunikacyjnych do ułatwienia procesu wyszukiwania właściwych ekspertów w firmie Systematyzują rozwiązania opracowane przez ekspertów i zapamiętują je w bazach wiedzy najlepszych praktyk repozytoriach często zadawanych pytań (FAQ) Topic Map is a semantic graph, that contains definitions of a set of topics and a set of association between topics called ontology of a domain. Information systems can use ontologies for a variety of purposes including inductive reasoning, classification, and problem solving, as well as communication and the sharing of information among different systems /54 20 Operation of the Intelligent Dashboard for Managers Mapa pojęć - przykład /54 22 ROA=NP/TA= 12,908/184,400= 7% Explanation/Interpretation

5 Systemy wiedzy sieciowej Systemy wiedzy sieciowej - cechy Rozbudowane środowisko obsługujące grafikę i złożone obliczenia Zaawansowana grafika i narzędzia analityczne Możliwości komunikacyjne i dotyczące zarządzania dokumentami Dostęp do zewnętrznych baz danych Przyjazne dla użytkownika interfejsy Optymalizacja wykonywanych zadań (inżynieria projektowania, analizy finansowe) Specjalizowane systemy wiedzy Specjalizowane systemy wiedzy - przykłady CAD (computer-aided design): Automatyzuje tworzenie i korektę inżynierską lub projektów architektonicznych z wykorzystaniem rozbudowanego środowiska sprzętowo-programowego Systemy wirtualnej rzeczywistości (Virtual reality systems): Oprogramowanie i specjalizowany sprzęt do symulowania środowiska realnego życia Np. trójwymiarowe modelowanie medyczne dla prowadzących operacje VRML: Specyfikacje dla interaktywnego trójwymiarowego modelowania przez Internet Robocze stacje obsługujące procesy inwestycyjne: Streamline dostarczanie wewnętrznych i zewnętrznych danych dla brokerów, pracowników handlu czy portfolio managers Large Graph Mining [C.Faloutsos et.al., KDD2009] Link analysis Social networks Link analysis techniques are applied to data that can be represented as nodes and links A node (vertice): person, bank account, document, A link: a relationship between two bank accounts 29 29/

6 Degree Centrality The ruling coalition of Unity, Zatler Reform Party, and the National Alliance all majority ethnic Latvian Techniki inteligentne National Alliance Unity... wykorzystywane do eksploracji i modelowania wiedzy Odwzorowywanie wiedzy niejawnej: systemy ekspertowe, wnioskowanie na podstawie przypadków, logika rozmyta,... Odkrywanie wiedzy (knowledge discovery): sieci neuronowe i data mining Generowanie rozwiązań dot. złożonych problemów: algorytmy genetyczne Systemy hybrydowe: inteligentne agenty Harmony Center 35 Zatler s Reform Party Greens/farmers

7 Systemy ekspertowe - struktura Reguły w system ekspertowym Baza wiedzy: Zestaw setek lub tysięcy reguł Maszyna wnioskująca: Strategia stosowana do przeszukiwania bazy wiedzy Wnioskowanie postępujące (forward chaining): maszyna wnioskująca zaczyna od wprowadzonych przez użytkownika informacji i przeszukuje bazę wiedzy do osiągnięcia konkluzji Wnioskowanie wsteczne (backward chaining): Start od hipotezy i uzyskiwanie informacji od użytkownika aż do momentu potwierdzenia lub zanegowania hipotezy Sieci neuronowe Sieci neuronowe Wyszukują wzorce i zależności w masowych danych, które są zbyt złożone do analizy przez człowieka Uczenie wzorców przez szukanie zależności, budowę modeli i sukcesywną korektę opracowanego modelu Sieci uczone są poprzez podawanie danych i konfrontowanie ich z oczekiwanymi rezultatami (stosowanie rozwiązań przez przykłady) Stosowane w klasyfikacji, prognozowaniu, analizach finansowych, sterowaniu i optymalizacji Maszynowe uczenie: odpowiednie technologie AI umożliwiające uczenie komputerów przez ekstrakcję informacji za pośrednictwem metod obliczeniowych i statystycznych 39 39/54 40 Data Mining - źródła Wiele pojęć z dziedzin statystyki, sztucznej inteligencji, rozpoznawania obrazów, uczenia maszynowego i baz danych Statystyka Sztuczna inteligencja Uczenie maszynowe Rozpoznawanie obrazow Data Mining Kilka definicji Nietrywialna ekstrakcja uprzednio nieznanej i potencjalnie użytecznej informacji z dużych baz danych Automatyczna analiza (eksploracja) danych w celu wykrycia istotnych motywów i wzorców Słabości tradycyjnych technik Duże bazy danych Wielowymiarowość danych Heterogeniczność danych Rozproszenie danych Bazy danych Data Mining Wizualizacja /54 7

8 Główne rodzaje algorytmów Apriori - Przykład 43 Milk Dane Tid Refund Marital Taxable Status Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes 11 No Married 60K No 12 Yes Divorced 220K No 13 No Single 85K Yes 14 No Married 75K No 15 No Single 90K Yes MinSupport=2 Baza danych D C 1 itemset sup. L 1 TID Items {1} Scan D {2} {3} {4} {5} 3 itemset sup itemset sup {1 2} 1 L 2 Scan D C 2 C 2 {1 3} 2 {1 3} 2 {2 3} 2 {1 5} 1 {2 5} 3 {2 3} 2 {3 5} 2 {2 5} 3 {3 5} 2 C 3 itemset Scan D L 3 itemset sup {2 3 5} {2 3 5} 2 itemset sup. {1} 2 {2} 3 {3} 3 {5} 3 itemset {1 2} {1 3} {1 5} {2 3} {2 5} {3 5} 44 44/54 Predicting corporate bankruptcy Decision tree J48 How predictable is the health of a company? Data: Compustat tapes and Moody s Industrial Manual 24 ratios computed for 132 firms two years prior to the year of bankruptcy Variables:- total assets, cash, cash flow from operations, cost of goods sold, current assets,current debt, income, inventory, receivables, sales, working capital from operations Ratios: Cash/curDebt, Cash/Sales, 45 45/ Transaction chains trees view

9 Cash Flow Chains Analysis T1 k10 T1 k10 K1 k14 K1 k14 K6 k12 T15 K6 k12 T15 T8 T18 T8 T18 K2 T3T12 k15 K2 T3 T12 k15 0 T9 T17 k11 T9 T17 0 k11 T16 T5 K5 k10 T5 K5 T16 T1 k10 K1 T1 K3 k13 k16 K3 k14 K1 k16 k14 K6 k12 T15 k13 K7 T8 T18 K7 K6 k12 T15 T8T12 T6 T14 T19 T6 0 T3 T18 T3 T14 K4 T11 k17 K4 T19 0 K2 k15 T11 K2 k17 k15 T9T7 k11 T7 T16 T9 k11 T5 K5 T16 T12 T5 k10 K5 T10T17 k10 T10T17 K1 K3 T1 k14 k13 k16 K1 K3 T1 k14 K6 k12 k13 k16 K7 T15 T14 T8 T6 K6 K7 k12 T15 T18 T19 T6 T8 T14 T18 T K2 K4 T11 k15 k17 T3 K2 K4 T11 k15 k17 T9T3 T17 T7 T12 k11 T9 T12T17 T7 T5 K5 T16 k11 T10 T5 K5 T16 T10 K3 k13 k16 K3 k13 k16 K7 T14 K7 T14 T6 T6 K4 T19T11 k17 K4 T19T11 k17 T7 T T10 T10 50 Algorytmy ewolucyjne Użyteczne przy szukaniu optymalnych rozwiązań dla specyficznych problemów poprzez badanie dużej liczby możliwych rozwiązań tego problemu Konceptualnie odwołujące się do procesu ewolucji Wyszukiwanie zmiennych rozwiązań przez zmianę i reorganizację części składowych z wykorzystaniem operatorów: dziedziczenia, selekcji, krzyżowania i mutacji Stosowane w problemach optymalizacyjnych (minimalizacja kosztu, wydajne harmonogramowanie, optymalny projekt urządzenia) w ramach których istnieje setki czy tysiące zmiennych Algorytmy ewolucyjne System ibe-at Stock trading using genetic algorithms Trading rules: Short and Long-term Moving Averages Trading expert model: a subset of trading rules Peugeot Technical trading rules and indicators [W.Colby ett. Meyers, J. Murphy] IF conditions are satisfied THEN decision financial indicators buy,hold or sell Initial wealth of expert: C 0 n 0 P t m Quality of trading expert = F(return, risk) Rule: The crossovers are the points of decisions Buy : when STMA moves above LTMA (cross the time series à la hausse) Sell : when STMA moves below LTMA (the time series à la baisse) 54 54/54 9

10 Are some rules more efficient? Hybrydowe systemy AI Algorytmy genetyczne, logika rozmyta, sieci neuronowe i systemy ekspertowe są integrowane w ramach wspólnej aplikacji wykorzystującej zalety składowych Systemy wielo-agentowe no rule consistently outperforms the others 55 55/54 56 Systemy wielo-agentowe A-Trader Inteligentne agenty Działają w tle wykonując specyficzne, powtarzalne i przewidywalne zadania na rzecz użytkowników, procesów lub programów komputerowych Wykorzystują ograniczone, wbudowane lub wygenerowane bazy wiedzy do wspomagania zadań lub podejmowania decyzji użytkowników Usuwanie niechcianej korespondencji Market Communication Agent Provides real time data, makes market transactions Store signals Database System Decision Support PUSH Communication Notify Agent Historical Data Agent Provides Historical Data Wyszukiwanie najtańszych połączeń Modelowanie systemów agentowych: Systemy autonomicznych agentów Modele zachowań klientów, giełdy; używane do prognozowania rozprzestrzeniania się epidemi Supervisor Visualization Agent Cloud of Computing Agents Basic Agents User Agents Inteligent Agents 57 57/54 58 Systemy wielo-agentowe - przykład Podsumowanie Technologie wspomagające ZW Zarządzanie dokumentami Przepływ pracy Konwersja przepływów Konferencje Web i telefony Zarządzanie projektami Przedsięwzięcia Technologie wspomagające zarządzanie wiedzą Rozwiązywanie problemów Systemy inteligentne Współpraca Intranet Praca grupowa Bazy i urtownie danych 59 59/