Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą i wspomaganiu decyzji biznesowych

Krzysztof Michalik * Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą i wspomaganiu decyzji biznesowych Wstęp Zasadniczą tezą artykułu jest twierdzenie, że systemy regułowe - zwłaszcza systemy ekspertowe, ale też systemy reguł biznesowych, i związana z nimi metodologia mogą stanowić ważną, nawet integralną część procesu zarządzania wiedzą i wspomagania decyzji ekonomicznych. Celem artykułu, poza uzasadnieniem tej tezy, jest przybliżenie potencjalnym czytelnikom, spoza tego obszaru specjalizacji naukowej, problematyki systemów ekspertowych, systemów reguł biznesowych, a także wybranych aspektów inżynierii wiedzy. Autor zamierza również przedstawić niektóre opracowania własne, wiążące się bezpośrednio z rozważaniami zawartymi w tej pracy i tematem artykułu. Wspomniane opracowania w postaci systemu ekspertowego PC-Shell [Michalik, 2010] systemu CAKE [Michalik, 2011a] oraz aplikacji Aitech DSS [Michalik, 2011b] posłużą także jako egzemplifikacje i studium przypadków, stanowiąc tym samym dodatkowe uzasadnienie tezy i skrócony opis osobistego wkładu praktycznego i teoretycznego autora do omawianych zagadnień. W pracy autor nie podejmuje próby tworzenia kolejnej definicji zarządzania wiedzą (ZW), a jest ich bardzo wiele i znacząco różnie czasami formułowanych. Ten rozrzut sposobu definiowania semantyki tego pojęcia wynika prawdopodobnie z faktu, że dziedzina zarządzania wiedzą jest względnie młoda. Akcentuje to m.in. Ashok Jashapara pisząc, że zarządzanie wiedzą jest dziedziną młodą, o różnorakich korzeniach i niesprecyzowanej metodologii [Jashapara, 2004]. W tym miejscu warto podkreślić, że ten sam autor wymienia użyte w tytule artykułu systemy wspomagania decyzji (SWD) wśród innych klas systemów zarządzania wiedzą. Autor artykułu ma trochę inny pogląd w tej sprawie niż Ashok Jashapara, gdy ten (za innymi autorami) wymienia wśród SWD kategorię systemów dedukcyjnych, utożsamiając je z systemami ekspertowymi (SE). Z tego samego powodu autor uznaje za nieprawidłowe postawienie znaku równości między systemami doradczymi, a SE. By tego dowieść wystarczy pokazać jeden przypadek systemu ekspertowego nie będącego SWD ani systemem doradczym, niech nim będzie np. system ekspertowy WHEELS [Perkins, Austin, 1990]. Z prac autora można wymienić system Diagnosta MC14007 [Gutt, Michalik, 1989]. Można podać znacznie więcej niż wymienione, przykłady tego typu systemów, jednakże wykracza to poza cel i ramy artykułu. Z reguły tego typu systemy pracują autonomicznie, często jako systemy monitorujące. Autor jest zdania, że pojęcie system ekspertowy odnosi się do technolo- * Dr, Katedra Inżynierii Wiedzy, Wydział Informatyki i Komunikacji, Uniwersytet Ekonomiczny w Katowicach, krzysztof.michalik@ue.katowice.pl

570 Krzysztof Michalik gii informatycznej, a użyte pojęcie SWD (w kontekście pracy Jashapary) oraz systemy doradcze lub systemy konsultacyjne (i takie pojęcie się pojawia, np. w odniesieniu do zastosowań w medycynie) traktować należy raczej jako klasy zastosowań systemów ekspertowych. Jashapara w przywołanej już pracy definiuje ZW następująco: efektywny proces uczenia się, związany z poszukiwaniem, wykorzystywaniem i upowszechnianiem wiedzy (jawnej i ukrytej), wykorzystujący odpowiednie technologie i środowisko kulturowe, którego celem jest wzrost kapitału intelektualnego oraz sprawności organizacji.. W związku ze wspomnianym problemem definicji zarządzania wiedzą autor dokonał dodatkowo przeglądu dość dużego zbioru innych definicji, poszukując elementów wspólnych i łączących je z inżynierią wiedzy. Wśród analizowanych definicji znalazły się te zawarte m.in. w pracach: [Skyrme, 1999]; [Swan et al., 1999]; [van der Spek, Spijkervet,1997]; [Probst et al., 2004]; [Raczkowski, 2010]; [Gołuchowski, 2007] lub dla przykładu w bogatym zestawieniu definicji różnych autorów zawartym w pracy [Beckman, 1999]. W analizowanych pracach na proces zarządzania wiedzą składają m.in. się następujące elementy: lokalizowanie wiedzy, pozyskiwanie wiedzy, szacowanie, wykorzystywanie, przechowywanie (gromadzenie, retencja), dzielenie się wiedzą i jej dystrybucja. Wiele najnowszych publikacji książkowych, zawiera omówienie możliwości informatycznego wspierania tych procesów, na ogół wymieniając głównie konwencjonalne technologie. Okazuje się, jednak, że sztuczna inteligencja (rozumiana jako dynamicznie rozwijający się dział informatyki), w tym zwłaszcza systemy ekspertowe i inżynieria wiedzy, mogą wspomagać niemal wszystkie z wymienionych procesów ZW. Nie przypadkiem wśród pionierów zarządzania wiedzą znajduje się praktyk sztucznej inteligencji Karl Wiig, były dyrektor Applied Artificial Intelligence i Systems and Policy Analysis w firmie konsultingowej Arthur D. Little Inc. Nota bene, zarządzanie wiedzą sięga swymi korzeniami m.in. do firm konsultingowych właśnie. W dalszej części artykułu wyjaśnione będą pojęcia systemów ekspertowych oraz inżynierii wiedzy oraz przedstawione niektóre możliwości wspomagania przez nie zarządzania wiedzą. 1. Systemy ekspertowe, systemy reguł biznesowych a zarządzanie wiedzą Biorąc pod uwagę profil konferencji, jak się wydaje, należy rozpocząć od zdefiniowania pojęcia systemów ekspertowych, jako klasy systemów informatycznych, by później przejść do omówienia tkwiącego w nich potencjału w zakresie wspomagania ZW. Systemy ekspertowe (SE) często określa się jako systemy wykorzystujące ludzką wiedzę do rozwiązywania złożonych problemów, w na ogół wąskiej dziedzinie, które zazwyczaj wymagają ludzkiej inteligencji. Takie zdefiniowanie tej technologii koresponduje m.in. z pracami: [Shapiro, 1990]; [Beardon, 1989]; [Waterman, 1985]. Podane ogólne ujęcie definicji systemów eksperto-

Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą 571 wych wymaga uzupełnienia o kilka, w większości wręcz unikatowych właściwości tej klasy systemów: 1) jawna reprezentacja wiedzy o charakterze deklaratywnym, najczęściej ujęta w formie reguł heurystycznych zawartych w tzw. bazie wiedzy, 2) zdolność do wyjaśnień sposobu rozwiązania danego problemu (ang. how explanations) oraz powodu zadania użytkownikowi wskazanego pytania (ang. why explanations), 3) do rozwiązania postawionego problemu wykorzystuje się określony rodzaj wnioskowania logicznego (rozumowania), zamiast jawnego opisu algorytmu rozwiązania problemu w formie imperatywnej, 4) wiedza przetwarzana w systemie ekspertowym, w większości ma charakter przetwarzania symboli, a nie obliczeń numerycznych (choć te oczywiście również mogą w pewnej proporcji występować). Należy dodać, że najogólniej rzecz ujmując, architektura SE obejmuję bazę wiedzy (pustą, w przypadku tzw. szkieletowych SE, tj. narzędzi do budowy aplikacji, czego przykładem jest system PC-Shell) oraz podsystemu przetwarzania wiedzy. W związku z tym można powiedzieć, że w przypadku systemów ekspertowych nastąpiła zmiana paradygmatu odnoszącego się do wcześniejszych klas systemów informatycznych, polegająca na przejściu od przetwarzania danych, do przetwarzania wiedzy. Od pewnego czasu popularność zyskuje podejście oparte o systemy reguł biznesowych (business rules), szerzej - zob. np. [Ross, 2003]; [Ross, Lam, 2011]. Należy podkreślić, że w literaturze przedmiotu zaznacza się związki reguł biznesowych (RB) z systemami ekspertowymi (zazwyczaj lakonicznie i niezbyt precyzyjnie). Dlatego autor w pracy [Michalik, 2011c] podjął się próby szerszego i pogłębionego omówienia zależności między SE a RB, wypunktowując najważniejsze podobieństwa i różnice między nimi. W wielu publikacjach z dziedziny reguł biznesowych, m.in. przywołanej pracy Ronalda Rossa, również podkreśla się ich silne związki z problematyką zarządzania wiedzą. Wracając do SE sensu stricto, niewątpliwie ich zastosowanie może mieć istotny wpływ na procesy przechowywania (gromadzenia, retencji) wiedzy, dzielenia się nią i jej dystrybucję. Wynika to bezpośrednio z pewnych unikatowych cech tej technologii, ujętych choćby w przytoczonej wcześniej definicji. Na korzenie zarządzania wiedzą (ZW) w dziedzinie inżynierii wiedzy i systemów ekspertowych wskazuje Liebowitz [Liebowitz, 2001], w innej pracy stwierdzając wprost Wiele z jego (zarządzania wiedzą K.M.) korzeni można odnaleźć w dziedzinie systemów ekspertowych i sztucznej inteligencji [Liebowitz, 1998]. W tej samej pracy Liebowitz - w sposób korespondujący z wymienionymi składowymi ZW - wymienia obszary łączące dziedziny zarządzania wiedzą i systemów ekspertowych: nabywanie wiedzy w ZW i pozyskiwanie wiedzy (knowledge acquisition) w SE,

572 Krzysztof Michalik tworzenie repozytoriów wiedzy w ZW i reprezentacja wiedzy w SE (metody reprezentacji wiedzy w SE są również przedmiotem zainteresowania i badań w zakresie inżynierii wiedzy K.M.), indeksowanie wiedzy można wiązać z odszukiwaniem przypadków, ustalaniem podobieństwa i metodami adaptacji w systemach klasy CBR (casebased reasoning). Wśród kilku innych źródeł, na korzenie zarządzania wiedzą w sztucznej inteligencji i problematyce systemów ekspertowych wskazują również Fathi i Holland [Fathi, Holland, 2011]. Przechowywanie (retencja) wiedzy jest ułatwiona m.in. przez jawną reprezentację wiedzy specjalistycznej, zapisanej często w sposób zbliżony do języka naturalnego. Pierwszym zadaniem, po pozyskaniu wiedzy (zwłaszcza tej niejawnej) jest jej zapis/formalizacja. Najczęściej stosowanym formalizmem w SE do kodowania wiedzy są reguły, opisujące m.in. heurystyki nigdy nie algorytm. A to oznacza, że są zrozumiałe nie tylko dla informatyków, inżynierów wiedzy, ale co w tym kontekście najistotniejsze dla użytkowników końcowych. W szczególności dla np. inspektorów kredytowych (w przypadku systemów do wspomagania oceny ryzyka kredytowego), finansistów (w systemach do oceny kondycji finansowej firm) czy lekarzy (w przypadku systemów wspomagających decyzje diagnostyczno-terapeutyczne). Bardzo to odróżnia zapis wiedzy w SE, od niejawnej reprezentacji wiedzy w konwencjonalnych językach programowania i systemach informatycznych, gdzie wiedza ukryta jest wśród wielu niezrozumiałych dla nie informatyka instrukcji opisujących algorytm co jest w odróżnieniu od SE niezbędne do rozwiązania problemu. I tu dotykamy drugiego istotnego waloru SE w jego wpływie na łatwość gromadzenia i zapisu wiedzy. Tym walorem jest zdolność SE do rozwiązywania problemów nie w oparciu o żmudnie budowany szczegółowy algorytm rozwiązania problemu, lecz wbudowaną w system zdolność wnioskowania (rozumowania) na podstawie zapisanej w postaci reguł wiedzy. Zatem w przypadku SE nie musimy szczegółowo opisać jak rozwiązać problem (znalezienie rozwiązania to zadanie modułu/silnika wnioskującego inference engine), opisujemy jedynie naszą wiedzę stricte z dziedziny problemowej. Stąd systemy ekspertowe (z zapełnioną bazą wiedzy) można traktować jako swoiste medium komunikacji. W tym kontekście SE mogą stabilizować poziom ekspertyzy w organizacji przy fluktuacjach kadrowych (np. odejścia z banku doświadczonego inspektora/analityka wniosków kredytowych). Dzielenie się wiedzą i jej dystrybucja w przypadku zastosowania systemu ekspertowego jest również zasadniczo ułatwiona. Można wymienić przynajmniej kilka uzasadnień tej tezy. Na pewno proces ten ułatwia jawna reprezentacja wiedzy, ułatwiająca komunikację na temat interesujący strony biorące udział w jej przekazie. Przy tej okazji, ułatwiony jest nie tylko proces interpretacji (odczytu) wiedzy, ale również jej aktualizacja, edycja itp. Po niedługim przeszkoleniu baza wiedzy może być modyfikowana, a nawet w całości tworzona przez specjalistów dziedzinowych spoza informatyki/inżynierii wiedzy.

Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą 573 Autor opiera to przekonanie również w oparciu o osobiste doświadczenia w tym zakresie z wielu dziedzin (medycyna, ekonomia, rolnictwo, technika itd.), w których zastosowano jego systemy (głównie w środowisku akademickim). Jeśli dodać do tego istnienie tzw. architektury tablicowej, to okazuje się, że większy problem wymagający komunikacji wielu specjalistów, można podzielić na podproblemy i odwzorować je w wyspecjalizowane bazy wiedzy, nazywane źródłami wiedzy. Nota bene, opracowany i wykorzystywany na większości polskich uczelni system autora ma taką architekturę, do tego źródła wiedzy mogą być heterogeniczne. W rezultacie mówimy o hybrydowym systemie ekspertowym z architekturą tablicową [Michalik, 1994]. Ponadto unikatowa cecha SE, w postaci wyjaśnień, jest dodatkową, w wielu zastosowaniach bardzo pożądaną właściwością, wyjaśnienia bowiem w jawny sposób pokazują sposób rozwiązania problemu. Wyjaśnienia, poza interfejsem GUI, mogą być również przekazywane via intranet lub internet. Dzięki swoim właściwościom SE mogą przyczyniać się do realizacji bardzo pożądanego celu jakim jest np. prowadzenie jednolitej polityki kredytowej lub ubezpieczeniowej przez organizacje mające wiele wyodrębnionych i rozproszonych geograficznie oddziałów i filii. W tym kontekście warto przytoczyć parafrazę znanego powiedzenia sir Francisa Bacona wiedza jest potęgą. Liebowitz ujął to w ten sposób: dzielenie się wiedzą jest potęgą (sharing knowledge is power) [Lebowitz, 2006]. Jako ilustrację praktycznych zastosowań systemów ekspertowych w obszarze zarządzania wiedzą, a także działających w charakterze SWD można podać kilka przykładów. Jako pierwszy zostanie omówiony SE Asbestos Advisor. System Asbestos Advisor powstał w ramach OSHA (Occupational Safety and Health Administration) agencji Ministerstwa Pracy (Department of Labor) w USA. Celem OSHA jest zapewnienie bezpiecznych i zdrowych warunków pracy osobom zatrudnionym, m.in. poprzez tworzenie i wprowadzanie w życie różnych standardów, szkolenia i inne działania. Wprowadzanie i upowszechnianie szeregu regulacji jest związanie z problematyką zarządzania wiedzą, w aspekcie jej kodyfikacji i dystrybucji. Przed wdrożeniem omawianego systemu, pracownicy OSHA otrzymywali bardzo dużo zapytań telefonicznych ze strony biznesu. Pytający oczekiwali szybkich i poprawnych odpowiedzi (m.in. interpretacji) w celu poprawnego wdrożenia nowych regulacji i wytycznych do swej praktyki biznesowej. Oczywiście przy zwiększonej liczbie zapytań pracownicy OSHA nie byli w stanie wywiązać się z tego zadania, zgodnie z oczekiwaniami pytających. Dlatego w 1995 roku OSHA podjęła decyzję o zastosowaniu technologii informatycznych dla rozwiązania tego problemu. W rezultacie powstał system ekspertowy Asbestos Advisor. Jego powstanie w istotny sposób rozwiązało wspomniane problemy, w tym m.in. w zakresie czasu dostępu do informacji, poprawności sugerowanych rozwiązań i dystrybucji wiedzy (nowych regulacji, standardów itp.). Ten system jest doskonałym przykładem skutecznego zastosowania SE w sferze zarządzania wiedzą na dużą skalę. Szybka dystrybucja wiedzy została spełniona przez udostępnienie systemu w internecie (nadal jest tam dostępny). Jako ważną informację o skali zaintere-

574 Krzysztof Michalik sowania (i dystrybucji wiedzy) można podać fakt, że w ciągu zaledwie jednego roku od uruchomienia system był używany aż 80.000 razy [Huntington, 1999]. Niech jako miara sukcesu systemu Asbestos Advisor, w dziedzinie zarządzania wiedzą w administracji publicznej i wspomagania decyzji posłuży informacja, że w 1996 roku przyznano mu nagrodę Hammer Award przez NPR (National Pertnership for Reinventing Government) z inicjatywy byłego wiceprezydenta Al Gore a. W następstwie tego sukcesu OSHA zainicjowała prace nad kolejnymi systemami ekspertowymi: Fire Safety Advisor, Electronic Health and Safety Plan czy Hospital etool Expert System. Przykładem polskiego systemu ekspertowego działającego zarówno w sferze wspomagania zarządzania wiedzą jak i systemu wspomagania decyzji finansowo-ekonomicznych jest opracowana przez autora aplikacja Aitech DSS. Zasadniczym elementem tego systemu jest SE PC-Shell oraz pozostałe komponenty pakietu sztucznej inteligencji Aitech SPHINX [Michalik, 2004b]. Głównym zastosowaniem jest wspomaganie pracy (decyzji) analityków finansowych w przedsiębiorstwach oraz inspektorów kredytowych w bankach. Konwencjonalne oprogramowanie/aplikacje z reguły ograniczają się do pobierania i wizualizacji danych elementarnych (np. ze sprawozdań finansowych, bilansu), przekształcania ich w określony zbiór wskaźników finansowych i dodatkowo ich wizualizacji w formie tabelarycznej lub graficznej (wykresy). Czyli w praktyce z dużego zbioru danych, dzięki algorytmom/formułom powstaje pomniejszony (bo zagregowany) zbiór liczb wskaźników. Nadal jednak pozostaje otwarte pytanie co z tych liczb wynika? I nadal, mimo pewnego stopnia komputerowego wspomagania, analiza i interpretacja tych liczb jest zadaniem człowieka. Dopiero zastosowanie systemów ekspertowych umożliwia automatyzację tego zadania i wygenerowania rozwiązania będącego interpretacją wyliczonych wskaźników. Taki m.in. scenariusz analizy można zrealizować w aplikacji Aitech DSS. Ponadto system udostępnia bogaty zestaw objaśnień, w szczególności wyjaśnienia typu Jak (how explanations), co w wielu przypadkach może mieć duże znaczenie dla użytkownika. Daje mu bowiem szansę ocenę prawidłowości wnioskowania w danym przypadku, zwiększając tym samym zaufanie do proponowanego rozwiązania/decyzji. Dzięki temu sposób rozwiązania problemu jest jawny (transparentny), stanowiąc przeciwieństwo działania na zasadzie czarnej skrzynki, typowego dla większości konwencjonalnych systemów informatycznych, gdy znamy dane na wejściu systemu, wyniki na wyjściu, nie znamy zaś sposobu przekształcenia tych pierwszych w drugie. Omówiony system wdrożono m.in. w pewnej liczbie banków, przedsiębiorstw, jest wykorzystywany również w dydaktyce niektórych uczelni [Marcinek, 2003], co dla autora było sposobem weryfikacji poprawności, efektywności i ergonomii zaproponowanych rozwiązań. Wśród zastosowań SE PC-Shell wiążących się ze wspomaganiem decyzji medycznych, a także zarządzania wiedzą w ochronie zdrowia można wymienić również aplikację Salomon do diagnostyki zaburzeń afektywnych (w uproszczeniu depresji) [Kielan et al., 2008]. Bazę wiedzy tego systemu opracował dr Krzysztof Kielan (wówczas z Uniwersytetu Medycznego w Katowicach). Obecnie trwają przygo-

Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą 575 towania do kolejnej wersji tej aplikacji, również z wykorzystaniem logiki rozmytej. 2. Wpływ inżynierii wiedzy na zarządzanie wiedzą Głównym celem tej części artykułu jest pokazanie niektórych związków między inżynierią wiedzy, a zarządzaniem wiedzą. Wpływ inżynierii wiedzy, jak określono to w tytule, rozumiany jest zarówno w aspekcie potencjalnych możliwości oraz faktycznych zastosowań. Należy rozpocząć od zdefiniowania pojęcia inżynierii wiedzy, którego znaczenie podlega nieznacznej ewolucji. Najogólniej rzecz ujmując, można stwierdzić, że inżynieria wiedzy jest ściśle powiązana z systemami ekspertowymi, a dokładniej, z procesem ich tworzenia. Waterman określa inżynierię wiedzy jako proces budowy systemów ekspertowych, natomiast specjalistę w dziedzinie budowy SE jako inżyniera wiedzy [Waterman, 1985]. W jednej z fundamentalnych prac z tej dziedziny Hayes- Rotha, za profesorem Edwardem Feigenbaumem, inżynierię wiedzy definiuje się jako dziedzinę, w której aktywność inżyniera wiedzy odnosi się do wykorzystania metod i narzędzi z zakresu badań w dziedzinie sztucznej inteligencji do tworzenia systemów rozwiązujących trudne problemy wymagające do ich rozwiązania wiedzy eksperckiej. Ponadto wśród ważnych problemów inżynierii wiedzy wymienia m.in.: pozyskanie wiedzy eksperckiej, jej komputerową reprezentację i zapewnienie właściwego wyjaśnienia sposobu rozumowania systemu [Hayes-Roth et al., 1983]. Niektóre wspólne obszary zainteresowań inżynierii wiedzy i zarządzania wiedzą widoczne są już nawet w tych ogólnych definicjach, np.: pozyskiwanie wiedzy, jej komputerowa reprezentacja (w procesie kodyfikacji i retencji wiedzy) oraz rozwiązywanie problemów. Niektórzy autorzy, np. Kendal i Creen, stwierdzają wręcz Terminy zarządzanie wiedzą i inżynieria wiedzy wydają się być używane tak wymiennie jak terminy danych i informacji [Kendall, Creen, 2007]. Liebowitz pisze Zarządzanie wiedzą ma silne korzenie w dziedzinie określanej jako inżynieria wiedzy ( ) [Liebowitz, 2001]. W odróżnieniu od przywołanej pracy Kendala i Creena, van der Spek i Spijkervet wyraźniej rozdzielają dziedziny inżynierii wiedzy (IW) i ZW, natomiast podkreślają, że IW może być traktowana jako instrument wspomagający zarządzanie wiedzą i dostarcza wiele technologii, które mogą być w tym celu zastosowane [Spek, Spijkervet, 1997]. Doświadczenia w zakresie IW i wypracowane na jej gruncie metody, mogą niewątpliwie wspierać procesy pozyskiwania, kodyfikacji (formalizacji) i gromadzenia wiedzy w ramach wspomagania tych procesów w zarządzaniu wiedzą. Pozyskiwanie wiedzy stało się jednym z istotnych problemów inżynierii wiedzy już w momencie tworzenia pierwszych systemów z bazą wiedzy (systemów ekspertowych). Dlatego dość szybko powstały opracowania podejmujące to zagadnienie oraz sugestie dotyczące różnych metod wspomagających inżyniera wiedzy w tym procesie. W tradycyjnie rozumianym pozyskiwaniu wiedzy specjalistycznej, jako ilustracje mogą służyć metody opisane m.in. w pracy [Watermana, 1985]. Jak ważny jest to problem przekonał się oso-

576 Krzysztof Michalik biście autor, podejmując próbę budowy aplikacji SE do diagnostyki nowotworów urologicznych we współpracy z jedną z klinik urologii w Katowicach i oddelegowanym lekarzem, ekspertem w tej dziedzinie. Mimo pozytywnego nastawienia i motywacji obu stron do tego przedsięwzięcia, skończyło się ono porażką autora. Powodem był jeden z wielu problemów z zakresu pozyskiwania wiedzy, w tym przypadku brak odpowiednio dużej dyspozycyjności eksperta (krótko brak czasu, ciągłe operacje, przyjmowanie chorych w poradni itd., nie dających się łatwo planować). Z czasem wypracowano w dziedzinie inżynierii wiedzy kilka metodologii użytecznych również w zarządzaniu wiedzą. Wśród nich można wymienić m.in. [Kendal, Cree, 2007]: metodologię KADS, rozwinięto obecnie do commonkads [Schreiber et al., 2000], podejście oparte o architekturę tablicową (blackboard systems), metodologię HyM do budowy systemów hybrydowych. Wśród metod IW można wyróżnić tradycyjne i komputerowowspomagane (np. Protege-2000 [Noy et al., 2000]). Wkładem autora do tej dziedziny jest system CAKE (Computer Aided Knowledge Engineering). Jest on uzupełnieniem zbudowanego wcześniej przez autora systemu ekspertowego PC-Shell i symulatora sztucznych sieci neuronowych Neuronix. Od pewnego czasu stał się elementem pakietu SPHINX. Z punktu widzenia związków między inżynierią wiedzy a zarządzaniem wiedzą, głównym celem systemu jest wspomaganie inżyniera wiedzy m.in. w następujących zadaniach [Michalik, 2011b]: zarządzania projektem aplikacji, wspomagania procesu tworzenia, rozbudowy i pielęgnacji baz wiedzy, w tym zwłaszcza na etapie pozyskiwania i formalizacji wiedzy, będących przedmiotem zarówno zarządzania wiedzą w organizacji jak i inżynierii wiedzy, możliwości tworzenia heterogenicznych źródeł wiedzy, co wynikało z hybrydowej architektury systemu, weryfikacji poprawności zgromadzonej wiedzy, ochrony projektu aplikacji systemem uprawnień i haseł, tworzenia binarnych baz wiedzy, wspomagania pracy grupowej. Zakończenie Wiele przykładów z literatury przedmiotu (zarówno IW jak i ZW), w tym rozważań teoretycznych, a także rozwiązań o charakterze utylitarnym, potwierdza tezę o użyteczności systemów ekspertowych i doświadczeń wynikających z inżynierii wiedzy we wspomaganiu niektórych procesów w zarządzaniu wiedzą. Trudno sobie wyobrazić zdaniem autora by niektóre z nich były realizowane w praktyce ZW bez sięgnięcia do wcześniejszych (w tym wcześniejszych od samej dziedziny ZW) doświadczeń zgromadzonych na gruncie systemów ekspertowych i inżynierii wiedzy. Byłoby to niczym powtórne wynajdy-

Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą 577 wanie koła, bowiem inżynieria wiedzy jest niczym skrzynka z gotowymi narzędziami, wsparta dobrą podbudową teoretyczną, do bezpośredniego zastosowania w odniesieniu do niektórych problemów występujących w praktyce zarządzania wiedzą. Te doświadczenia i narzędzia mogą być jak się wydaje szczególnie przydatne w procesach pozyskiwania wiedzy, jej kodyfikacji, gromadzenia (retencji), a także dystrybucji wiedzy i jej użyciu do rozwiązywania problemów. Literatura 1. Beardon C. (Ed.) (1989), Artificial Intelligence Terminology a reference guide, Wiley, New York. 2. Beckman T.J. (1999), The Current State of Knowledge Management, w: Knowledge Management Handbook, ed. J. Liebowitz, CRC Press, London. 3. Fathi M., Holland A. (2011), Modelling Uncertainties in Advanced Knowledge Management, w: Knowledge Discovery, Knowledge Engineering and Knowledge Management, eds. A. Fred et al., Communications in Computer Science 128, Springer-Verlag, Berlin. 4. Gołuchowski J. (2007), Technologie informatyczne w zarządzaniu wiedzą, Prace Naukowe UE, Katowice. 5. Gutt T., Michalik K. (1989), Eksperymentalny system ekspercki do diagnostyki procesów technologicznych MOS przy użyciu struktury próbnej, Prace Instytutu Technologii Elektronowej CEMII, PWN, Warszawa. 6. Hayes-Roth F., Waterman D. A., Lenat D.B. (1983), Building Expert Systems, Addison-Wesley, Reading MA. 7. Huntington D. (1999), Knowledge-Based Systems: A Look at Rule-Based Systems, w: Knowledge Management Handbook, ed. J. Liebowitz, CRC Press, New York. 8. Jashapara A. (2006), Zarządzanie wiedzą, PWE, Warszawa. 9. Kendal S., Creen M. (2007), An Introduction to Knowledge Engineering, Springer-Verlag, London. 10. Kielan K., Kucharska-Pietura K., Kwiatkowska M., Michalik K., Węgrzyn- Wolska K. (2008), PHOENIX AI Technology in Neuroscience Evidence Base Medicine, w: Technologie wiedzy w zarządzaniu publicznym 08, Gołuchowski J., Frączkiewicz-Wronka A. (red.), Prace Naukowe UE, Katowice. 11. Kwiatkowska M., Michalik K., Kielan K. (2012), Computational Representation of Medical Concepts: A Semiotic and Fuzzy Logic Approach, w: Soft Computing in Humanities and Social Sciences, eds. R. Seising, V. Sanz, Springer-Verlag, Berlin. 12. Liebowitz J. (1998), Expert systems: An integral part of knowledge management, Kybernetes, Vol. 27, Iss. 2. 13. Liebowitz J. (2001), Knowledge Management, Learning from Knowledge Engineering, CRC Press, London.

578 Krzysztof Michalik 14. Liebowitz J. (2006), What They Didn t Tell You about Knowledge Management, The Scarecrow Press, Oxford. 15. Marcinek T. (2003), Wskaźniki z rękawa. Computerworld, 20/576, 19 maja. 16. Michalik K. (1987), Systemy ekspertowe narzędzie wspomagania decyzji, w: Systemy produkcyjne- teoretyczne i praktyczne problemy projektowania, konferencja SYPRO, Politechnika Warszawska, Warszawa. 17. Michalik K. (1994), Intelligent System for Financial Analysis. W: SPIC- IS 94 Second Singapore International Conference on Intelligent Systems, 14-17 November, Singapore. 18. Michalik K. (2004a), Intelligent Decision Support System Using the Hybrid Architecture, w: AICM 04 Artificial Intelligence in Control and Management, Zieliński J.S. (red.), September 14, Łódź. 19. Michalik K. (2004b), Selected Aspects of Multi-Level Hybrid AI Environment for Decision Support. Journal of Artificial Intelligence Studies (Special Issue), Vol. 1, No. 2 (24)/2004. Proc. of VI International Conf. on Artificial Intelligence AI, Univ. of Podlasie. 20. Michalik K. (2010), PC-Shell/SPHINX jako narzędzie tworzenia systemów ekspertowych, w: Systemy ekspertowe wczoraj, dziś i jutro; Wiedza i komunikacja w innowacyjnych organizacjach, Gołuchowski J., Filipczyk B. (red.), Prace Naukowe Uniwersytetu Ekonomicznego, Katowice. 21. Michalik K. (2011a), Systemy ekspertowe jako narzędzia wspomagające zarządzanie wiedzą, w: Komunikacja elektroniczna; Systemy ekspertowe wczoraj, dziś i jutro; Wiedza i komunikacja w innowacyjnych organizacjach, Pańkowska M. (red.), Prace Naukowe Uniwersytetu Ekonomicznego, Katowice. 22. Michalik K. (2011c): Reguły biznesowe w zarządzaniu wiedzą, w: Technologie wiedzy w zarządzaniu publicznym 11, Gołuchowski J., Frączkiewicz-Wronka A. (red.), Prace Naukowe UE, Katowice. 23. Michalik K.(2011b), Zarządzanie wiedzą w organizacji z użyciem hybrydowego systemu ekspertowego, w: Wyzwania rozwojowe małych i średnich przedsiębiorstw, Zakrzewska-Bielawska A. (red.), Wydawnictwo Difin, Warszawa. 24. Noy F.N. et al.(2000), The Knowledge Model of Protégé-2000: Combining Interoperability and Flexibility, EKAW '00 Proceedings of the 12th European Workshop on Knowledge Acquisition, Modeling and Management, Springer-Verlag, London. 25. Perkins W.A., Austin A. (1990), Adding Temporal Reasoning to Expert System Building Environments. IEEE Expert, February. 26. Probst G. et al. (2004), Zarządzanie wiedzą w organizacji, Oficyna Ekonomiczna, Kraków. 27. Raczkowski K. (2010), Zarządzanie wiedzą w administracji celnej; W systemie bezpieczeństwa ekonomiczno-społecznego, Wydawnictwo Difin, Warszawa.

Inżynieria wiedzy i systemy ekspertowe w zarządzaniu wiedzą 579 28. Ross R. (2003), Principles of the Business Rules Approach, Addison- Wesley, New York. 29. Ross R., Lam G.S.W. (2011), Building Business Solutions, Business Rule Solutions, LLC. 30. Schreiber et al. (2000), Knowledge Engineering and Management, The commonkads Methodology, MIT Press, Cambridge MA. 31. Shapiro S.C. (Ed.) (1990), Encyclopedia of Artificial Intelligence, Vol. 1, Wiley, New York. 32. Skyrme D.J. (1999), Knowledge Networking: Creating the Collaborative Enterprise, Butterworth-Heinemann, Oxford. 33. Swan J. et al. (1999), Knowledge Management the Next Fad to Forget People, w: Proc. of the 7th European Conf. on Information Systems, Copenhagen. 34. van der Spek R., Spijkervet A. (1997), Knowledge Management: Dealing Intelligently with Knowledge, w: Knowledge Management and its Integrative Elements, ed. J. Liebowitz, CRC Press, London. 35. Waterman D. (1985), A Guide to Expert Systems. Addison-Wesley, Reading MA. Streszczenie Celem tego artykułu jest uzasadnienie tezy o silnych związkach między zarządzaniem wiedzy oraz inżynierią wiedzy i systemami ekspertowymi. IW i SE mogą stanowić integralną część zarządzania wiedzą, dostarczając metodologii i narzędzi wspierających niektóre procesy zarządzania wiedzą. Słowa kluczowe systemy ekspertowe, inżynieria wiedzy Knowledge Engineering and Expert Systems in Knowledge Management and Business Decision Support (Summary) The aim of this paper is to justify thesis about strong relationship between the knowledge management (KM) and knowledge engineering (KE) as well as expert systems. Knowledge engineering and expert systems can be an integral part of knowledge management, providing methodologies and tools supporting some KM processes. Key words expert systems, knowledge engineering