7 Technologie zarządzania wiedzą

Technologie zarządzania
wiedzą

Dr Joanna Paliszkiewicz

Cele

Scharakteryzować podstawowe kategorie technologii
stosowanych w zarządzaniu wiedzą;

Omówić rozmaite technologie: wyodrębnienia,
porządkowania, przechowywania i upowszechniania
wiedzy;

Ukazać róŜnice funkcjonalne między
poszczególnymi typami technologii;

Dobierać technologie zarządzania wiedzą
odpowiednio do istniejących potrzeb.

Narzędzia porządkowania
wiedzy

Narzędzia porządkowania wiedzy –
ontologia i taksonomia

Zasoby wiedzy moŜna zobrazować za pomocą

schematu przedstawiającego jej składniki

(podstawowe terminy) i ich wzajemne

powiązania. Nazywamy to „mapą wiedzy” lub

„ontologią”.

Ontologia - definicja

Ontologia - formalna specyfikacja wspólnej

warstwy pojęciowej.

Gruber (1993)

To oznacza, Ŝe ontologia dostarcza formalnego słownictwa do opisania danej

dziedziny.

Budowa ontologii (wg. Usholda i
Gruningera)

Określenie celu i zakresu

Trzyetapowy proces budowy ontologii

kodowanie ontologii - zdefiniowanie podstawowych
terminów, takich jak „klasa”, „jednostka” czy „relacja”
oraz wybór języka lub symboli opisu;

połączenie istniejących ontologii.

Ocena ontologii.

Dokumentacja ontologii.

Sformułowanie wytycznych dla poprzednich faz.

Budowa ontologii - wady

JednakŜe ontologie tworzone bez wykorzystywania
technologii, poza tym, Ŝe ich konstruowanie
pochłania duŜo czasu, są podatne na błędy i dość
kłopotliwe pod względem bieŜącego uzupełniania i
poprawiania (Ding, Foo, 2002).

Jeśli następuje istotna zwłoka w aktualizacji,
ogranicza to uŜyteczność ontologii i hamuje jej
rozwój. Te mankamenty przyczyniły się do wzrostu
zainteresowania pół- lub w pełni automatycznymi
systemami budowania ontologii.

Do znajdowania pojęć ze strumienia nieprzetworzonych danych

wykorzystuje się wiele stosunkowo zaawansowanych metod, takich jak:

oznaczanie części mowy w celu identyfikacji najczęściej powtarzających
się słów lub fraz, które następnie moŜna uŜyć do definiowania pojęć i
przeprowadzenia analizy składniowej;

ujednoznacznianie sensu słów w celu wyodrębnienia relacji typu „jest
(czymś)” albo „jest związany z (czymś)”, gdzie róŜnica tkwi w
językowych właściwościach rzeczowników;

segmentacja ciągu znaków na krótsze odcinki rozgraniczone znakiem
separatora (na przykład spacje między wyrazami) i ustalenie długości
kaŜdego ciągu;

dopasowywanie wzorców - system moŜe na przykład zapamiętać zestaw
słów tworzących pary oraz ich znaczenie i na tej podstawie wyszukiwać w
dokumencie gotowe wyraŜenia.

Automatyczna klasyfikacja ontologii –
systemy uczące się

Podstawowym aspektem najnowszej generacji
automatycznych klasyfikatorów jest wykorzystanie
systemów uczących się. Są to systemy, które uczą
się rozpoznawać i klasyfikować informacje na
podstawie przykładowego zestawu danych. Im
większy i bardziej róŜnorodny ten przykładowy
zestaw, tym większa jest trafność rozpoznawania.
Ponadto ta generacja klasyfikatorów charakteryzuje
się wysokim stopniem uniwersalności. MoŜna je
wykorzystywać wielokrotnie w odniesieniu do
róŜnych dziedzin, co pozwala obniŜyć całkowite
koszty tworzenia ontologii.

Sposoby przedstawiania ontologii:

Forma hierarchii pojęciowej, podobnej
wyglądem do taksonomii;

Układ grafów z zestawem wyrazów
bliskoznacznych dla kaŜdego słowa;

Format języka znaczników XML.

Wady narzędzi do tworzenia ontologii:

Narzędzia te mogą mieć na przykład problem z interpretacją
tego samego słowa w róŜnych kontekstach lub rozpoznaniem
róŜnych wyraŜeń odnoszących się do tego samego pojęcia.
Pomocne w tym względzie są systemy uczące się, które
potrafią same rozpoznawać i przyswajać pewne wzorce, ale
analizowane dane często charakteryzują się bardzo
skomplikowanymi, trudnymi do wykrycia zaleŜnościami.
Podstawowy problem zatem to niebezpieczeństwo spłycenia
semantycznego obrazu dziedziny, która w rzeczywistości jest
znacznie głębsza i bogatsza.

Poza tym skonstruowana automatycznie ontologia moŜe
odbiegać od wyobraŜeń danej społeczności lub grupy
ekspertów.

Aktualnie wyróŜnia się następujące
sposoby integrowania ontologii:

wykorzystywanie istniejącej ontologii łączącej
wybrane dziedziny;

wzajemne dopasowywanie ontologii poprzez
mechanizmy translacyjne, oparte na technologii
agentowej;

scalanie istniejących ontologii w jedną nową
ontologię;

łączenie ontologii poprzez grupowanie elementów
na zasadzie podobieństwa.

Mapy poznawcze

KaŜdy człowiek przypisuje poszczególnym
obszarom wiedzy swoje własne ontologie albo
- inaczej - mapy poznawcze.

Taka mapa stanowi wizualne przedstawienie
danej dziedziny, powstaje w wyniku
uzmysłowienia pojęć składających się na
daną dziedzinę oraz łączących je zaleŜności.

Mapy poznawcze

W wypadku zarówno pojedynczych osób, jak i całych
organizacji mapy poznawcze najczęściej mają
charakter ukryty, pozostają niezwerbalizowane.

Zawarta w nich wiedza uchodzi za kluczowe źródło
przewagi konkurencyjnej, gdyŜ jest trudna do
wyartykułowania i skopiowania, bardzo zaleŜy od
kontekstu i ma bezpośrednie przełoŜenie praktyczne

(Ambrosini, Bowman, 2002; Bareny, 1991; Grant, 1996).

Narzędzia do sporządzania map
poznawczych

Sporządzanie mapy poznawczej to uŜyteczna metoda
obrazowania wiedzy i doświadczenia jednostki oraz jej
spojrzenia na rzeczywistość

(Eden, Ackermann, 1998; Weick, Bougon, 1986).

Za podstawę metody słuŜy sformułowana przez Kelly”ego
teoria konstruktu osobistego (Kelly, 1955). Ramy całego
procesu wytycza następujące stwierdzenie:

Dopóki nie usłyszę, co mówię, dopóty nie wiem, co myślę.

Narzędzia do sporządzania map
poznawczych

Obecnie narzędzia do sporządzania map
poznawczych wykorzystuje się przede
wszystkim do mapowania wiedzy
strategicznej (Huff, Jenkins, 2002) przy
uŜyciu map związków przyczynowych.

Mapy związków przyczynowych

Mapy związków przyczynowych to mapy poznawcze, w
których poszczególne elementy są powiązane gęstą siecią
zaleŜności przyczynowo-skutkowych.

Mapy związków przyczynowych

Główna zaleta map związków przyczynowych
polega na tym, Ŝe pozwalają uporządkować i
przeanalizować coś, co jest rozmyte i
niekonkretne, poprzez zobrazowanie relacji
między pojęciami

(Ambrosini, Bowman, 2002; Weick, Bougon, 1986).

Narzędzia do sporządzania map poznawczych są wykorzystywane w

procesie budowania strategii firmy do ujawniania:

wiedzy ukrytej,

załoŜeń,

teorii,

wartości,

przekonań,

aspiracji i obaw członków naczelnego
kierownictwa

Metody sporządzania map
poznawczych

Technika kart owalnych w połączeniu z
odpowiednim oprogramowaniem (np.
Decision Explorer), wyposaŜonym w
praktyczne narzędzia do graficznej
prezentacji, wyszukiwania i analizowania
danych.

Metoda ta, oparta na myśleniu wizualnym,
pozwala skonkretyzować pojęcia i idee oraz
występujące między nimi powiązania.

Etapy sporządzania mapy z uŜyciem
kart owalnych

Prowadzący prosi grupę o skupienie się na pytaniu lub
zagadnieniu.

Uczestnicy pokrywają obszar roboczy, na przykład ścianę,
duŜymi arkuszami białego papieru.

KaŜdy z uczestników otrzymuje zestaw kart owalnych, na
których, odwołując się do posiadanej wiedzy, będzie
zapisywał swoje opinie na dany temat w celu ich
późniejszego zaprezentowania grupie.

Na kaŜdej karcie powinna być zapisana tylko jedna myśl.

Etapy sporządzania mapy z uŜyciem
kart owalnych

Uczestnicy zostają poinformowani, Ŝe karty nie mogą być
usuwane (chyba Ŝe za zgodą całej grupy), a ewentualne
sprzeciwy naleŜy wyraŜać jasno i otwarcie.

Prowadzący układa zapisane karty w grupy i podgrupy. Jeśli
potrzebuje więcej czasu na zastanowienie, zwłaszcza gdy ma
problem z identyfikacją wątków i zaleŜności, moŜe stworzyć
grupę przejściową, do której trafiają karty trudne do
zaklasyfikowania.

Prowadzący ustala powiązania między poszczególnymi
kartami lub grupami kart według kryterium „środki i cele”
lub „warianty i zamierzone efekty”. Innymi słowy sprawdza,
do jakich innych stwierdzeń lub ich grup prowadzą
poszczególne wypowiedzi.

Metoda sporządzania map
poznawczych

To zbiorowe ćwiczenie. w którym obowiązują
jednolite zasady w wypadku kaŜdego zadania,
pozwa1a uczestnikom spojrzeć na
zagadnienie z róŜnych punktów widzenia i
być moŜe zmienić swoje podejście do sprawy
bez konieczności obrony swojego stanowiska.
tym samym sprzyja ono społecznym
negocjacjom i pełniejszemu utoŜsamianiu się
z grupą i jej przyjętymi utaleniami.

Budowanie strategii z wykorzystaniem
modelu „kropli”

W procesie budowy strategii mapy związków przyczynowych
przekształca się do modelu „kropli”, w którym na samym
szczycie znajdują się cele lub poŜądane skutki.

Są to pojęcia umieszczone na końcu ciągu strzałek, z których
nie wychodzą kolejne strzałki oznaczające następstwa.

PoniŜej znajduje się warstwa z pojęciami określanymi jako
zagadnienia lub strategie, prowadzące do realizacji dąŜeń. P

odstawę stanowią bardziej szczegółowe opcje lub posunięcia,
które decydują o kształcie potencjalnych strategii.

Za pomocą programu komputerowego moŜna przeprowadzić

pogłębioną analizę mapy poznawczej. aby:

zidentyfikować najczęściej wykorzystywane
pojęcia;

oszacować połoŜenie danego pojęcia
względem środka cięŜkości danej struktury;

zbadać sprzęŜenie zwrotne.

Narzędzia do wyszukiwania informacji

W klasycznym podejściu wyszukiwanie informacji opiera się
na dwóch procesach.

Pierwszy z nich polega na stworzeniu indeksu umoŜliwiającego
poznanie struktury dokumentu i lokalizację określonego tekstu. Dane
tekstowe mogą być wprowadzone do systemu i od razu przetworzone,
na przykład poprzez usunięcie słów pospolitych. Często nazywa się to
logiczną perspektywą dokumentu. Indeks przyspiesza wyszukiwanie
informacji i obniŜa koszty przetwarzania danych. Jego brak oznacza
konieczność dokładnego przeszukiwania kaŜdego zapisu po kolei.
Wszystkie systemy wyszukiwania informacji mają indeks ułatwiający
zlokalizowanie odpowiednich wpisów poprzez zastosowanie metody
listy odwróconej.

Drugi proces polega na tym, Ŝe wyszukuje się odpowiedzi na zadane
pytanie, wykorzystując specjalne algorytmy, za których pomocą
uporządkowuje się wyniki wyszukiwania według ich róŜnie rozumianej
przydatności dla uŜytkownika.

Hierarchiczna klasyfikacja terminów

Indeks zbioru dokumentów, artykułów czy raportów
rynkowych moŜna stworzyć z wykorzystaniem
hierarchicznej klasyfikacji terminów występujących
w tekście. KaŜdemu elementowi zbioru przypisuje
się charakteryzujące go hasła indeksu i w ten sposób
ułatwia przeszukiwanie zbioru. Tę metodę juŜ od
dawna wykorzystuje się w bibliotekach. Przykładem
takiego indeksu są kody SIC (Standard Industry
Classification - standardowa klasyfikacja branŜowa),
słuŜące do opisywania dokumentów.

Uniwersalna klasyfikacja

Inny przykład to spotykana w większości bibliotek
uniwersalna klasyfikacja dziesiętna Deweya, według której
dzieli się całą wiedzę na 999 poddziałów rozbitych na wiele
jeszcze węŜszych kategorii, uwzględniających wszelkie
niuanse poszczególnych dziedzin. Hasła indeksu często są
zbiorem wybranych kluczowych pojęć, których znaczenie
ułatwia ustalenie głównych tematów dokumentu. Indeks
moŜe być tworzony ręcznie, przez odpowiedniego specjalistę,
lub automatycznie, tj. z wykorzystaniem narzędzi do
indeksowania tekstów.

Efektywność tych narzędzi stale się zwiększa i w niektórych
wypadkach jest porównywalna do ludzkiej.

Proces automatycznej klasyfikacji tekstu moŜe
obejmować jedną lub więcej z poniŜszych czynności:

Analiza leksykalna. Wyodrębnienie słów z ciągu
znaków, obejmującego (oprócz liter) cyfry, znaki
przestankowe i myślniki.

Skracanie. Słowa, które występują w dokumentach
zbyt często, na przykład pospolite słowa
(stopwords), są eliminowane, gdyŜ nie nadają się na
kryterium wyszukiwania. Z jednej strony, pozwala
to zmniejszyć rozmiary indeksu, ale z drugiej moŜe
prowadzić do pominięcia istotnych pozycji w
wynikach.

Proces automatycznej klasyfikacji tekstu moŜe
obejmować jedną lub więcej z poniŜszych czynności:

PoniewaŜ znaczenie zdania zaleŜy głównie od rzeczowników, to one
najczęściej słuŜą za hasła indeksu, a nie czasowniki, przedimki,
przymiotniki, przysłówki czy spójniki. Rzeczowniki, które występują w
tekście obok siebie, mogą być połączone w jedno hasło zwane grupą
rzeczowników (na przykład analiza efektywności inwestycji). Usprawnia
to znacznie wyszukiwanie.

Usuwanie afiksów (stemming), czyli pozbawianie słów przyrostków i
przedrostków w celu zwiększenia skuteczności wyszukiwania. Chodzi o
to, aby za pomocą wyszukiwarki odnajdywać nie tylko te dokumenty, w
których pojawia się słowo podane przez uŜytkownika, lecz takŜe te, w
których występuje ten sam rdzeń. Na przykład po wpisaniu wyrazu
„budowa” odnajdzie się między innymi takie słowa, jak „budować”,
„budowla”, „budowniczy” czy „budowlany”.

Powiązania

W wypadku analizy leksykalnej i grupowania
rzeczowników moŜe się pojawić dodatkowe
powiązanie z terminami niewystępującymi w
indeksie, które odgrywają rolę alternatywnych
deskryptorów w procesie wyszukiwania.
Powiązanie takie ustanawia się ręcznie bądź
automatycznie.

Nadawanie struktury:

Po zakończeniu klasyfikacji, jeśli w ogóle ją przeprowadzono, naleŜy
nadać indeksowi określoną strukturę. Oto trzy najpopularniejsze
rozwiązania:

Lista odwrócona. W większości wypadków jest to najlepszy wariant. Pod
tym terminem kryje się po prostu słowniczek czy teŜ lista (indeks) słów
występujących w tekście, przy których podano miejsce ich wystąpienia.

Pliki sufiksów. Tekst jest traktowany nie jako ciąg słów, ale jako zbiór
danych o strukturze pliku. Indeksy tego typu są szczególnie przydatne przy
złoŜonych zapytaniach dotyczących zasobów, w których słowa nie są
podstawowymi elementami, jak na przykład genetyczne bazy danych.

Pliki sygnatur. Przy tej strukturze indeksu analizowany tekst jest dzielony na
bloki. Pozwała to przyspieszyć wyszukiwanie dzięki zmniejszeniu rozmiarów
tekstu, ale jednocześnie oznacza sekwencyjne przeszukiwanie
poszczególnych bloków. W większości zastosowań listy odwrócone
sprawdzają się znacznie lepiej niŜ pliki sygnatur.

Wyszukiwanie informacji

Po zindeksowaniu tekstowej bazy danych
moŜna przystąpić do wyszukiwania
informacji. W tym celu naleŜy sprecyzować
swoje potrzeby informacyjne, wpisując w
interfejsie uŜytkownika słowa wytyczające
kierunek poszukiwań.

Proces wyszukiwania informacji

Chcąc sformułować zapytanie z uŜyciem
kluczowych słów, moŜna się posłuŜyć regułami
stosowanymi w klasyfikacji tekstów. Zapytanie po
wprowadzeniu zostaje przetworzone tak, aby moŜna
je było przedstawić w postaci haseł i struktur. W tym
celu przeprowadza się analizę współwystępowania,
częstotliwości występowania i pozycji terminów
oraz ewentualnie semantyki i składni. Podobnemu
procesowi są poddawane dokumenty w bazie
danych, a następnie reprezentacja zapytania jest
porównywana z reprezentacją dokumentu.

Zapytanie moŜna formułować:

z uŜyciem operatorów logicznych („czy”, „i”, „ale” itp.),
które pozwalają bardzo precyzyjnie określić kryteria
wyszukiwania; jest to metoda najpopularniejsza, a zarazem
najczęściej wykorzystywana w systemach komercyjnych; jej
główna wada polega na tym, Ŝe dokładne trzymanie się
zadanej kombinacji operatorów moŜe zaowocować zbyt małą
lub zbyt duŜą liczbą wyszukanych dokumentów;

wektorowo - hasłom indeksu zostają przypisane wagi
odpowiadające częstotliwości ich występowania w
dokumencie; załoŜenie jest takie, Ŝe hasła pojawiające się
rzadziej przewaŜnie są bardziej istotne dla wyników
wyszukiwania;

Zapytanie moŜna formułować:

probabilistycznie - poszczególnym dokumentom zostają
przypisane prawdopodobieństwa, Ŝe okaŜą się zgodne z
potrzebami uŜytkownika; ta metoda jest dość
problematyczna, gdyŜ wyliczenie tego prawdopodobieństwa
graniczy z niemoŜliwością, jeśli nie istnieje mechanizm
sprzęŜenia zwrotnego pozwalający systemowi na lepsze
rozpoznanie potrzeb uŜytkownika;

za pomocą wyraŜeń rozmytych, co pozwala rozszerzyć
zapytanie o całą grupę wyrazów bliskoznacznych, a tym
samym zwiększyć liczbę wyszukanych dokumentów.

Proces wyszukiwania informacji

Wyszukane dokumenty następnie szereguje się
według prawdopodobieństwa ich przydatności,
opartego na zgodności z logicznym, wektorowym
lub probabilistycznym wzorcem zapytania. Na tym
etapie niektóre systemy umoŜliwiają uŜytkownikowi
aktywny udział w procesie wyszukiwania poprzez
wskazanie, czy dany dokument odpowiada jego
potrzebom. Następuje wówczas przeformułowanie
algorytmu wyszukiwania tak, aby moŜna było
odnaleźć inne dokumenty podobne do wskazanego.
Mechanizm ten nazywa się zwrotnym uściślaniem
zawartości.

Proces wyszukiwania informacji

PoniewaŜ w większości organizacji bazy danych
rozrastają się w tempie wykładniczym, niezbędne
stają się technologie wyszukiwania, umoŜliwiające
szybkie i sprawne dotarcie do potrzebnych
informacji.

Jedno z moŜliwych rozwiązań polega na przetwarzaniu
równoległym, gdy wyszukiwaniem zajmuje się kilka
procesorów jednocześnie, przy czym kaŜdy koncentruje
się na innym aspekcie problemu.

Inna metoda to przetwarzanie rozproszone, gdzie z
zapytaniem zmaga się kilka komputerów połączonych w
sieć.

Automatyczne wyszukiwarki

Automatyczne wyszukiwarki sieciowe są
najpopularniejszym sposobem znajdowania
informacji w Internecie. Opierają się one
głównie na połączeniu indeksatora ze
szperaczem

Szperacze - opis

Szperacz to program oparty na technologii agentowej, wysyłający do
serwerów sieciowych pytania o nowe lub zaktualizowane strony.

Rezultaty pracy szperaczy zostają następnie zindeksowane przez
wyszukiwarkę.

Indeksy najczęściej przybierają jedną z moŜliwych postaci listy
odwróconej.

Druga część wyszukiwarki zajmuje się zapytaniem uŜytkownika.
Najczęściej internauci podają dwa słowa, a średnia długość zapytania
wynosi 2,3 słowa.

Wyszukiwarka przegląda indeks według róŜnego typu algorytmów, a
następnie szereguje rezultaty.

Niektórzy uwaŜają, Ŝe jeśli zawartość Sieci dalej będzie się rozrastać w
tempie wykładniczym, wyszukiwarki oparte na modelu indeksator-
szperacz przestaną się sprawdzać.

Metoda wyszukiwania rozproszonego

Alternatywą dla powyŜszego modelu jest metodą
wyszukiwania rozproszonego, gdzie wiele
połączonych ze sobą serwerów sieciowych odgrywa
rolę zbieraczy (na podobieństwo szperaczy) lub
„brokerów” (obsługują interfejs zapytań i
indeksowanie), dzieląc pracę pomiędzy siebie.

W Sieci funkcjonują takŜe metawyszukiwarki, które
wysyłają zapytanie do róŜnych wyszukiwarek, a
następnie sortują otrzymane odpowiedzi, aby
zaprezentować je uŜytkownikowi według
określonego kryterium.

Technologia agentowa

Technologia agentowa to programy komputerowe,
które funkcjonują jak roboty (w sposób
autonomiczny) z zadaniem znalezienia najlepszego
rozwiązania w ramach wyznaczonej im funkcji.
Inaczej mówiąc, mają umiejętność samodzielnego
działania w pewnym otoczeniu i osiągania
naznaczonych przez ich twórcę celów. Potrafią
pracować bez ingerencji człowieka i sprawować
kontrolę nad swoimi poczynaniami i stanem
wewnętrznym

Technologia agentowa

Programy agentowe są podobne do szperaczy,
które identyfikują określony materiał pod
względem treści, struktury i właściwości.
Wyspecjalizowane szperacze potrafią się
uczyć na podstawie informacji pochodzących
od uŜytkownika i modyfikować rezultaty
swojego działania odpowiednio do zdobytej
wiedzy.

Technologia agentowa

Osiągnięciem tej technologii są inteligentne systemy
agentowe, które charakteryzują się elastycznym i
samodzielnym działaniem. Ich elastyczność polega
na wraŜliwości na zmiany w otoczeniu, zdolności
dostosowania się do sytuacji i podejmowania działań
z własnej inicjatywy oraz umiejętności współpracy z
innymi tego typu systemami lub ludźmi w celu
sprawniejszego rozwiązywania problemów.

Technologia agentowa

Programy agentowe są szczególnie przydatne przy
pracy z systemami złoŜonymi, bo nadają im
modularną strukturę. Mówiąc krótko, dzielą duŜy,
skomplikowany problem na mniejsze, prostsze,
łatwiejsze w operowaniu składniki. Następnie
rozwiązują po kolei te mniejsze problemy przy
uŜyciu odpowiednich w danym wypadku technik.
Inną metodą stosowaną przez programy agentowe w
systemach złoŜonych jest wyodrębnianie. Polega to
na potraktowaniu systemu jako zbioru
współpracujących ze sobą, autonomicznych
programów agentowych.

Zastosowanie technologii agentowej

Filtrowanie poczty elektronicznej. Programy agentowe traktują jako
lekcję kaŜdy ruch uŜytkownika. Po pewnym czasie zaczynają
przewidywać jego zachowania na podstawie odkrytych prawidłowości.
Wraz ze wzrostem trafności tych przewidywań system zaczyna podsuwać
uŜytkownikowi sugestie dotyczące nadchodzącej poczty, ułatwiając mu
połapanie się w lawinie e-maili. Jest to funkcja szczególnie przydatna dla
osób borykających się z przeciąŜeniem informacyjnym, skupiających się
wyłącznie na swoich potrzebach informacyjnych i niechcących marnować
czasu na inne rzeczy.

Obsługa transakcji wewnątrzorganizacyjnych. Za pomocą programów
agentowych działy lub filie przedsiębiorstwa negocjują między sobą
warunki dostaw, takie jak cena, termin i jakość. Zapewnia to obsługę
klientów wewnętrznych w systemie just-in-time.

Zastosowanie technologii agentowej

Owijki agentowe (agent wrappers). Rozwiązanie stosowane
w duŜych organizacjach, umoŜliwiające okresową
aktualizację danych wykorzystywanych w ramach
kluczowych funkcji poprzez interakcję oprogramowania z
innymi częściami systemu.

Streszczanie. Analiza tekstu dokumentów w celu wyszukania
kluczowych zdań.

Zarządzanie wiadomościami z serwisów informacyjnych.
Filtrowanie, grupowanie, streszczanie i dostarczanie
wybranych wiadomości do odpowiednich adresatów.

Wady technologii agentowych

brak nadrzędnego systemu kontrolującego;

zdolność do znajdowania optymalnych rozwiązań w
skali lokalnej, ale nie globalnej;

długi okres rozwoju, jaki musi przejść program
agentowy, zanim człowiek moŜe mu spokojnie
powierzyć podejmowanie określonych decyzji;

problem niedostosowania do potrzeb uŜytkownika w
wypadku zmiany preferencji.

Technologia personalizacji

Wykorzystując technologię agentową,
opracowano technologię umoŜliwiającą
automatyczne zindywidualizowanie
informacji przesyłanych uŜytkownikowi.
Podstawowy cel personalizacji to
stuprocentowe zaspokojenie potrzeb kaŜdego
uŜytkownika. System sam z siebie
dopasowuje się na bieŜąco do jego wymagań.

Technologia personalizacji

W wypadku wyszukiwania informacji personalizacja
moŜe polegać na ograniczeniu pola poszukiwań do
kategorii najczęściej przeglądanych przez daną
osobę albo na przypisaniu większych wag
dokumentom z tych kategorii. System personalizacji
potrafi optymalizować kryteria wyszukiwania na
podstawie analizy kluczowych słów
charakteryzujących grupy zainteresowań, do których
jest podłączony uŜytkownik, lub przeglądane
przezeń dokumenty. Ponadto moŜe analizować
schematy zapytań i wyniki wyszukiwania pod kątem
zgodności z potrzebami uŜytkownika

Przedsiębiorstwa wykorzystują technologię
personalizacji, aby poszerzyć swoją wiedzę o
zachowaniach i preferencjach klientów.
Najpopularniejszym narzędziem słuŜącym do
osiągnięcia tego celu są cookies. Są to małe
pliki umieszczane w komputerze
uŜytkownika, umoŜliwiające witrynom
internetowym jego identyfikację.

Za pomocą cookie narusza się prywatność uŜytkownika i
odczytuje jego preferencje z bazy danych. Zazwyczaj pliki te
zawierają tylko numer identyfikacyjny oraz informacje
dotyczące ostatniej wizyty na danej witrynie. To jednak
wystarcza przedsiębiorstwu, aby powiązać z danym
komputerem pochodzące z innych źródeł informacje na temat
jego uŜytkownika.

Całkiem zrozumiałe wydają się obawy, Ŝe cookies mogą
posłuŜyć do wykradania prywatnych tajemnic lub numerów
kart kredytowych. MoŜna oczywiście zablokować swój
komputer przed inwazją internetowych szpiegów, ale często
przekracza to umiejętności przeciętnego człowieka. W wielu
wypadkach uŜytkownicy nawet nie zdają sobie sprawy, Ŝe
narusza się ich prywatność.

Wartościowanie wiedzy

Wnioskowanie na podstawie podobnych przypadków

Wnioskowanie na podstawie podobnych przypadków (Case-
based Reasoning CBR) jest jednym z elementów sztucznej
inteligencji.

Systemy CBR umoŜliwiają gromadzenie przykładów róŜnych
problemów wraz z ich rozwiązaniami i poprzedzającym je
tokiem rozumowania, a następnie wyszukiwanie przypadków
odpowiadających określonym kryteriom. UŜytkownik moŜe
scharakteryzować swój aktualny problem za pomocą
rozmaitych deskryptorów i sprawdzić w bazie przypadków,
czy ktoś wcześniej nie uporał się juŜ z podobną przeszkodą.
Jeśli znajdzie odpowiedni przykład, zostaje potem powiązany
z aktualnym problemem po wprowadzeniu do bazy jego
opisu, analizy i rozwiązania.

CBR

UŜytkownik moŜe scharakteryzować swój aktualny problem
za pomocą rozmaitych deskryptorów i sprawdzić w bazie
przypadków, czy ktoś wcześniej nie uporał się juŜ z podobną
przeszkodą.

Jeśli znajdzie odpowiedni przykład, zostaje potem powiązany
z aktualnym problemem po wprowadzeniu do bazy jego
opisu, analizy i rozwiązania.

Przykładowo, w systemie CBR wspomagającym realizację przedsięwzięć
budowlanych zastosowano następujące deskryptory przypadków:

problemy - wymagania i moŜliwości klienta, specyfikacja i
ś

rodowisko projektu, rozkład czynników ryzyka i zaleŜności

między nimi;

rozwiązania realizacyjne sposoby zaopatrzenia, struktura i
formy kontraktu oraz struktura zarządzania projektem;

rezultaty przedsięwzięcia - odchylenia od harmonogramu i
budŜetu, zgodność ze specyfikacją, bezpieczeństwo, usługi
konserwacyjne po oddaniu do uŜytku, obciąŜenia
administracyjne, trwałość obiektu, stopa zwrotu z projektu.

CBR

Oprogramowanie CBR okazuje się szczególnie
przydatne w wypadku telefonicznych centrów
obsługi klienta, których pracownicy często słyszą
powtarzające się pytania. Mogą wówczas wyszukać
istniejące rozwiązania i ewentualnie zaadaptować je
na potrzeby bieŜącej sytuacji, aby następnie
uzupełnić zasoby systemu o swoje doświadczenia,
wnioski i rozwiązania.

Wielowymiarowe przetwarzanie analityczne OLAP -
Online Analytical Processing

OLAP - umoŜliwia

analizę danych podzielonych

na rozmaite kategorie w wielu wymiarach,
przekrojach i rzutach.

Zgodnie z definicją OLAP Council wielowymiarowe

przetwarzanie analityczne zapewnia uŜytkownikowi:

wszechstronną interpretację danych poprzez
moŜliwość ich oglądania w wielu róŜnych
przekrojach, tworzonych szybko i spójnie w
drodze interakcji ze zbioru nieprzetworzonych
danych, w celu odzwierciedlenia wszystkich
aspektów wielowymiarowości
przedsiębiorstwa istotnych dla uŜytkownika.

Wielowymiarowe przetwarzanie analityczne
OLAP - Online Analytical Processing

Podstawowym elementem OLAP jest
wielowymiarowa kostka danych, gdzie kaŜdy
wymiar odpowiada jednej zmiennej. Analiza
polega na obracaniu i przecinaniu tej kostki
pod róŜnymi kątami. Nazywa się to techniką
cięcia i rzutowania (suce and dice).

Eksploracja w bazach danych

Termin eksploracja danych (data mining)
oznacza proces generowania wiedzy ze zbioru
ustrukturalizowanych danych.

Eksploracja danych czy - inaczej -
odkrywanie wiedzy, obejmuje cykliczny
proces selekcji i analizy danych,
interpretowania modelu i syntetyzowania
rezultatów.

Etapy rozwoju technik odkrywania
wiedzy:

Pierwszy etap (lata osiemdziesiąte XX wieku): koncentracja
na pojedynczych zadaniach, takich jak tworzenie
klasyfikatorów, wyszukiwanie powiązanych ze sobą danych
oraz wizualizacja danych według jednego schematu.

Drugi etap (około 1995 roku): pakiety eksploracyjne
wspomagające wstępną obróbkę i selekcję danych,
wyposaŜone w róŜne moŜliwości odkrywania wiedzy.

Trzeci etap: proces odkrywania obejmuje wszelkie aspekty
danej dziedziny wiedzy, dostarczając gotowych rozwiązań w
takich obszarach, jak marketing, wykrywanie oszustw,
kontrola produkcji czy Internet.

Narzędzia odkrywania wiedzy:

Systemy eksperckie imitują sposób rozumowania
specjalistów dysponujących duŜą wiedzą w wąskiej
dziedzinie. Składają się one z wiedzy bazowej, obejmującej
dane i reguły, oraz z mechanizmu wnioskowania logicznego,
który generuje nowe reguły i dane na podstawie
zgromadzonej wiedzy. Wada systemów eksperckich polega
na ich ograniczeniu do wąskiej dziedziny, uzaleŜnieniu od
wiedzy specjalistów, braku jasności i wewnętrznych
sprzecznościach. Mankamenty te próbuje się eliminować,
tworząc systemy eksperckie oparte na logice rozmytej, w
których prawdziwość lub fałszywość stwierdzenia nie jest
określona jednoznacznie, lecz moŜe być stopniowana w skali
od O do 1.

Narzędzia odkrywania wiedzy:

Drzewa decyzyjne opierają się na prostym modelu drzewa, w
którym kaŜda gałąź reprezentuje odrębną klasę lub podklasę.
Drzewa decyzyjne są przydatne, gdy uŜytkownik chce
uzyskać ogólną orientację w danych, aby dalsze
postępowanie zawierzyć swej intuicji.

Indukcja reguł to wykorzystanie metod statystycznych do
wykrywania reguł odnoszących się do częstotliwości
korelacji, marginesu błędu i trafności prognoz. Reguły te
zazwyczaj przybierają postać stwierdzenia „jeśli..., to...”.

Narzędzia odkrywania wiedzy:

Algorytmy genetyczne i programowanie genetyczne są wzorowane na
mechanizmach naturalnej selekcji i słuŜą wykształcaniu złoŜonych
struktur danych. Znajdują zastosowanie przy rozwiązywaniu trudnych
zadań z zakresu optymalizacji. Ich główna wada polega na tym, Ŝe nie
wyjaśniają zaleŜności między danymi.

Sieci neuronowe albo sieci ze wsteczną propagacją błędów to narzędzia,
które imitują budowę i sposób funkcjonowania mózgu. Połączenia między
sztucznymi neuronami mogą mieć przypisaną róŜną wagę, co pozwala
systemowi przyswajać i zapamiętywać informacje. Sieci neuronowe są
przydatne przede wszystkim w sytuacjach, gdy dysponujemy duŜym
zbiorem danych historycznych, które moŜna wykorzystać jako materiał
treningowy. Ich wartość polega na zdolności przetwarzania danych
wielowymiarowych, zawierających duŜo szumu informacyjnego. Jednak
sieci neuronowe nie ułatwiają zrozumienia istoty zjawisk, a poza tym
nieraz wymagają długiego okresu treningowego.

Narzędzia odkrywania wiedzy:

Pamięć asocjacyjna polega na zapisywaniu w modelu
pamięci długookresowej powiązanych ze sobą par danych. Te
pary mogą być potem wyszukane i wykorzystane do
wykształcenia nowych powiązań, prowadzących do
twórczego wyjścia z nietypowych sytuacji.

Techniki grupowania nadają się idealnie do wstępnej
klasyfikacji danych. Ich działanie polega na identyfikacji
ś

ciśle powiązanych ze sobą danych. Mogą one przetwarzać

wielowymiarowe zbiory danych zawierające szum
informacyjny, ale przewaŜnie wymagają sporo czasu, aby
poprawie identyfikować zaleŜności.

Odkrywanie wiedzy w postaci prawidłowości charakteryzujących

zbiór danych moŜna podzielić na następujące kategorie zadań:

analiza zaleŜności - wyszukiwanie powiązań i
ciągów danych;

identyfikacja klas - grupowanie pojęć i tworzenie
taksonomii matematycznych;

opis pojęć - streszczanie, rozgraniczanie i

porównywanie róŜnych pojęć;

określanie odchyleń - badanie nieprawidłowości i
zmian w danych;

wizualizacja - przedstawianie wyników analizy.

Odkrywanie wiedzy - problemy

Podstawowym problemem w obszarze
odkrywania wiedzy jest stworzenie
inteligentnego systemu, który zwiększałby
selektywność wyszukiwania oraz potrafił
lepiej zaspokoić potrzeby uŜytkownika.

Systemy uczące się

Systemy uczące się uwaŜa się za kluczowe
narzędzie w odkrywaniu wiedzy zapisanej w
bazach danych ze względu na łatwość
przedstawienia skomplikowanych danych czy
rozwiązania nieprecyzyjnie zdefiniowanego
problemu oraz wyszukiwania informacji
róŜnymi metodami.

Systemy uczące się

Elastyczność systemów uczących się czyni je niezwykle
przydatnymi do rozwiązywania problemów, w których
niewiele wiadomo o ich kontekście.

Na potrzeby tych systemów opracowano niezwykle skuteczne
algorytmy:

boosting,

support vector machines.

Warto podkreślić, Ŝe na rynku występuje duŜa liczba

systemów uczących się, które w wypadku rozbudowanych
baz danych są naprawdę niezastąpione.

Upowszechnianie wiedzy

Internet

Intranet

Extranet

Internet

Początki Internetu sięgają 1969 roku, kiedy Adyanced
Research Projects Agency (Agencja Badań Naukowych)
zainteresowała się moŜliwością połączenia łączami
komputerowymi ośrodków naukowych i akademickich na
całym świecie. Ośrodki te miały własne sieci komputerowe,
lokalne (LocalArea Neworks LAN), obejmujące komputery
usytuowane blisko siebie i połączone zwykłymi kablami, lub
rozległe (Wide Area Networks — WAN), o większym zasięgu
terytorialnym, z łączami podobnymi do telefonicznych.
Internet wymyślono jako sieć łączącą te wszystkie sieci w
jedną całość i obsługiwaną przez specjalne komputery zwane
ruterami.

Internet

Generalnie biorąc, stworzono coś na kształt systemu
pocztowego, który wymagał ustalenia uniwersalnego zestawu
reguł, określającego sposób przesyłania i odbierania danych.
Ten zestaw reguł czy inaczej — protokół nazwano TCP/IP
(Transmission Control Protocol/Internet Protocol); dzieli on
zbiór danych lub informacji na pokaźne pakiety przesyłane do
komputera ulokowanego w innym punkcie sieci, a TCP
składa je na miejscu przeznaczenia w całość. KaŜdy
komputer w Internecie ma własny niepowtarzalny adres IP,
dzięki czemu kaŜdy pakiet danych jest oznakowany adresem
nadawcy i adresem odbiorcy.

Internet

Jednym z podstawowych zastosowań
Internetu jest poczta elektroniczna. Oprócz
zwykłych wiadomości umoŜliwia ona
przesyłanie w postaci załączników,
sformatowanych dokumentów oraz plików
graficznych, dźwiękowych i wideo.

Internet

Całe oprogramowanie stosowane w Internecie opiera
się na technologii klient-serwer. Oznacza to, Ŝe dany
program działa albo jako serwer oferujący usługi
innym komputerom podłączonym do sieci, albo jako
klient korzystający z usług serwerów. Wszystkie
dane, czy to w postaci e-maili, czy stron
internetowych, są przechowywane w komputerach
zwanych serwerami. Program-klient prosi o
informacje umieszczone na innym komputerze, a
program-serwer wysyła Ŝądaną informację do klienta
poprzez Internet.

Internet

Podstawowym dokumentem w sieci WWW jest strona internetowa o
określonej lokalizacji. Lokalizację tę określa adres URL (Uniform
Resource Locator), czyli inaczej identyfikator strony zaczynający się od
takiego skrótu, jak „http” lub „ftp”. Kiedy klikamy na odsyłacz,
przeglądarka (klient) wysyła pod dany adres prośbę o wybraną stronę, a w
odpowiedzi serwer przesyła ją do komputera.

W przeszłości większość stron internetowych tworzono z uŜyciem języka
znaczników HTML (Hypertext Markup Language). KaŜda taka strona
składa się z ciągu znaczników albo instrukcji
- określających rozmieszczenie i wygląd elementów tekstowych,
graficznych, wideo i dźwiękowych - oraz z odsyłaczy do innych
dokumentów.

XML

Niedawno pojawił się nowy język znaczników — XML (Extensible
Markup Language), stanowiący uzupełnienie HTML i zwiększający
uŜyteczność Sieci.

O ile HTML przekazuje głównie informacje dotyczące sposobu
formatowania strony, o tyle XML dostarcza takŜe cennych informacji co
do jej zawartości. Na przykład znacznik HTML wskazuje jedynie, Ŝe dana
liczba ma być wyświetlona w określony sposób, z uŜyciem wytłuszczonej
lub pochylonej czcionki, jako nagłówek lub tekst właściwy. Natomiast
XML pozwala takŜe opisać, co oznacza dana liczba, czy jest to prędkość,
data, czy wielkość sprzedaŜy. Te dodatkowe informacje umieszczone w
kodzie strony umoŜliwiają nowym programom komputerowym
automatyczne operowanie danymi i ich interpretację oraz wykonywanie
róŜnych działań bez bezpośredniej ingerencji człowieka. Informacje te
nazywa się metadanymi, czyli danymi na temat danych.

XML

Metadane są ściśle powiązane z ich zawartością i zapewniają bezpośredni do niej
dostęp.

W roku 1995 opracowano standard opisu zasobów bibliotecznych za pomocą
metadanych, nazwany Dublin Core. UmoŜliwia on pełniejszą kontrolę nad
zasobami zgromadzonymi w Sieci. W opisie wykorzystuje się następujące
elementy: tytuł, autor, temat i kluczowe słowa, opis, wydawca, współtwórca, data,
typ zasobu, format, identyfikator zasobu, źródło, język, odniesienie, zakres,
zarządzanie prawami. Pojawiły się takŜe inne standardy opisu, tworzone
specjalnie na uŜytek róŜnych sektorów gospodarki. Przyjmują one postać pliku
DTD (Document Type Definition), często nazywanego słownikiem, a
określającego formalną strukturę dokumentu zapisanego w języku XML. Ze
względu na globalny zasięg Internetu XML opiera się na zestawie znaków
Unicode, który docelowo ma obejmować znaki wszystkich alfabetów świata.
Ponadto XML uwzględnia kierunek pisania tekstu (na przykład od prawej do
lewej w języku arabskim), reguły dzielenia wyrazów oraz zasady zwracania się do
innych osób.

XML - zalety

Przedsiębiorstwa mogą udostępnić swoje zasoby danych
klientom i dostawcom przy stosunkowo niskim nakładzie
pracy poprzez stworzenie odrębnych schematów DTD dla
poszczególnych partnerów.

Plik źródłowy moŜna odczytywać w róŜnej postaci i na
róŜnych platformach typu komputer osobisty, komputer
kieszonkowy, notes elektroniczny itp. PoniewaŜ informacje
zawarte w dokumentach XML są tak szczegółowe,
zapewniają znacznie lepsze efekty wyszukiwania za pomocą
wyszukiwarek sieciowych.

XML - wady

Korzystając z istniejących standardów
branŜowych, będzie moŜna tak ustawić
wyszukiwarki oparte na języku XML, aby
preferowały informacje, opinie, produkty i
usługi.

Rozwój sieci WWW

Rozwój sieci WWW, zdaniem jej twórcy, Tima Bernersa-
Lee, będzie zmierzać W kierunku sieci semantycznej. Sieć
taka zapewniałaby uŜytkownikowi natychmiastowy dostęp do
szczegółowych informacji potrzebnych do podjęcia decyzji,
bez konieczności przeglądania całej masy dokumentów.
Chodzi o to, aby uczynić sieć bardziej efektywną. Jednak
standardowym językiem i formatem sieci semantycznej
będzie najprawdopodobniej nie XML, lecz RDF (Resource
Description Framework), który obrazuje powiązania w
sposób bezpośredni i jednoznaczny w postaci
zdecentralizowanego modelu, a specjalne programy, zwane
parserami, z łatwością mogą odszyfrować tak zapisane
informacje.

Intranet

Intranet to sieć komputerowa oparta na technologii
internetowej, ale o zasięgu ograniczonym do jednej
organizacji. Obejmuje takie funkcje, jak poczta
elektroniczna, zdalny dostęp, narzędzia do pracy
zespołowej, równoczesne korzystanie z aplikacji
oraz wewnętrzny system komunikacji. Chroni ona
zasoby informacyjne organizacji przed
nieuprawnionymi uŜytkownikami za pomocą
oprogramowania typu firewall, które uniemoŜliwia
osobom postronnym wejście do sieci z zewnątrz, ale
jednocześnie nie blokuje pracownikom dostępu do
Internetu.

Najpopularniejsze zastosowania
intranetu to:

• dostęp do baz danych;
• fora dyskusyjne;
• rozsyłanie dokumentów elektronicznych;
• zarządzanie wynagrodzeniami i
ś

wiadczeniami pracowniczymi;

• szkolenia online;
• pomoc dla uŜytkowników — zestawienia
odpowiedzi na najczęściej zadawane pytania
(FAQ).

Intranet

Budując sieć wewnętrzną, organizacja powinna się
wystrzegać tworzenia wielkich, skomplikowanych
systemów wyposaŜonych w wyrafinowane funkcje,
z których nikt nie korzysta. Wszelkie rozwiązania
naleŜy projektować pod kątem rzeczywistych, jasno
określonych potrzeb uŜytkowników. Inne
niebezpieczeństwo polega na wykorzystaniu
intranetu do wznoszenia elektronicznych barier
dzielących organizację, wbrew deklarowanej
zasadzie wymieniania się wiedzą.

Bezpieczeństwo intranetu

Większość organizacji korzysta z technologii
firewall w celu zabezpieczenia swoich
zasobów informacyjnych przed
nieuprawnionymi osobami.

Do najwaŜniejszych funkcji systemów
firewall naleŜą:

• kontrola dostępu do sieci na róŜnych poziomach
uprzywilejowania;
• kontrola na poziomie aplikacji;
• zarządzanie uprawnieniami uŜytkowników;
• izolowanie określonych usług;
• tworzenie kopii zapasowych i analiza raportów;
• alarmowanie;
• maskowanie wewnętrznej struktury sieci;
• ochrona poufności;
• odpieranie ataków elektronicznych włamywaczy.

Bezpieczeństwo intranetu

Za pomocą systemu firewall bada się (z uŜyciem specjalnego
filtra) kaŜdy pakiet danych przesyłany do sieci, aby odrzucić
te wiadomości lub próby dostępu, które nie spełniają
kryteriów określonych przez administratora.

Zaawansowany firewall wykorzystuje dwa filtry pakietów,
które uzupełniają się nawzajem. Atak na tak zabezpieczony
serwer nie zagraŜa sieci wewnętrznej. Jednak o
stuprocentowym bezpieczeństwie nie ma mowy. W celu
zwiększenia skuteczności technologii firewall w przyszłości
najprawdopodobniej będzie się wykorzystywać technologie
szyfrujące.

Internet oferuje klika sposobów wymiany myśli,
poglądów i informacji w trybie tekstowym

Grupy dyskusyjne to globalne fora poświęcone
najrozmaitszym tematom. Mają one postać elektronicznych
tablic ogłoszeniowych, na których uŜytkownicy umieszczają
swoje wiadomości, aby inni mogli je przeczytać.

Innym rodzajem publicznego forum ułatwiającego dzielenie

się wiedzą na określone tematy są listy dyskusyjne.
Wystarczy się zapisać na taką listę, aby za pośrednictwem e-
maila otrzymywać wiadomości wysyłane przez jej członków i
ewentualnie na nie odpowiadać. W przeciwieństwie do grup
dyskusyjnych nad listami dyskusyjnymi czuwa przewaŜnie
moderator, który ma prawo blokować dostęp do listy osobom,
które pisząc wiadomości, łamią ustalone zasady

Internet oferuje klika sposobów wymiany myśli,
poglądów i informacji w trybie tekstowym

Ogromną popularnością cieszą się tzw. chaty, czyli
tematyczne kawiarenki internetowe, w których uŜytkownicy
mogą rozmawiać ze sobą na Ŝywo, wystukując wypowiedzi
na klawiaturze. Jeśli z czasem liczba odwiedzających dany
chat znacząco wzrasta, moŜna z niego wyodrębnić kolejne,
węŜsze tematycznie chaty.

Pojawiły się juŜ teŜ kawiarenki internetowe obsługujące
komunikację głosową. UŜytkownicy umawiają się na
spotkanie w kawiarence o konkretnej godzinie, aby potem do
woli wymieniać się przemyśleniami i informacjami.

Narzędzia do pracy w grupach

Oprogramowanie do pracy w grupach ma
przede wszystkim ułatwiać ludziom
współpracę, a tym samym dzielenie się
wiedzą. Od strony ekonomicznej załoŜenie
jest takie, Ŝe lepsza współpraca prowadzi do
wzrostu produktywności, obniŜenia kosztów i
poprawy jakości, bo zapewnia podejmowanie
trafniejszych decyzji.

Narzędzia do pracy w grupach

Narzędzia do pracy w grupach naleŜą do
technologii informacyjno-komunikacyjnych
(Information Communication Technology -
ICT), wspomagających:

współpracę,

komunikację,

koordynację działań w czasie i przestrzeni,

korzystanie ze wspólnych obszarów roboczych

Narzędzia do pracy w grupach

Dwie najpopularniejsze technologie tej
kategorii to:

poczta elektroniczna,

dyskusyjne bazy danych Lotus Notes (Lotus
Notes uwaŜa się powszechnie za pierwszy
produkt oferujący uŜytkownikom moŜliwość
korzystania z dyskusyjnych baz danych, e-maili z
załącznikami, wspólnych baz danych,
automatyzacji obiegu pracy oraz tworzenia
własnych aplikacji).

Narzędzia do pracy w grupach -
funkcje

• wspomaganie grupowego podejmowania
decyzji poprzez burzę mózgów, generowanie
pomysłów i głosowanie;
• kolektywne pisanie i wirtualne tablice;
• konferencje komputerowe;
• planowanie spotkań i terminarze zajęć;
• twórcze wykorzystanie poczty
elektronicznej.

Wideokonferencje

Technologia wideokonferencji biurkowych
(Desktop yideoconferencing — DTVC)
umoŜliwia dwóm lub więcej osobom
widzenie i słyszenie się za pośrednictwem
komputera osobistego, a tym samym wspólną
pracę i wymianę wiedzą bez wstawania od
biurka. Do przekazywania sygnału do
pozostałych rozmówców słuŜą mała kamera i
mikrofon, umieszczone na monitorze.

KsiąŜka telefoniczna ekspertów:
katalog umiejętności

Organizacje często stają przed koniecznością wyszukania
wśród personelu osób mających określone umiejętności lub
wiedzę, potrzebne do rozwiązania zaistaniałego problemu. Z
tego względu wiele firm prowadzi obecnie coś w rodzaju
wewnętrznych Ŝółtych ksiąŜek telefonicznych. Zawierają one
spis wszystkich pracowników wraz z krótką charakterystyką
ich wiedzy, umiejętności i doświadczenia. Do spisów tych ma
dostęp kaŜdy zatrudniony. Wystarczy, Ŝe poda w intranetowej
wyszukiwarce odpowiednie kluczowe słowa, a otrzyma listę
specjalistów spełniających jego potrzeby.

Podobne katalogi moŜna tworzyć dla istniejących w
organizacji wspólnot, grup zainteresowań i list dyskusyjnych.

E-learning

Przez pojęcie e-learning rozumiemy uczenie
się w trybie online oraz szkolenia z
wykorzystaniem komputerów lub Internetu.

Inaczej mówiąc, chodzi o zastosowanie
technologii internetowych do zarządzania
procesem nabywania wiedzy i umiejętności,
przy czym Internet wcale nie jest niezbędny
do osiągnięcia tego celu.

Najlepsze produkty w tej kategorii zazwyczaj wiąŜą się z całym

wachlarzem rozmaitych metod uczenia się, takich jak:

• nauka pod okiem mentora;
• fora dyskusyjne;
• dyskusje prowadzone przez ekspertów;
• seminaria sieciowe;
• spotkania w trybie online;
• lekcje w wirtualnych klasach.

E-learning

Rozwiązania z zakresu e-learning powinny
zaspokajać rzeczywiste potrzeby organizacji i
stanowić integralną część programu szkolenia
i rozwoju personelu. Nie ma
sensu wprowadzać ich tylko dlatego, Ŝe
obniŜają koszty.

Przechowywanie i
prezentowanie wiedzy

Hurtownie danych

Hurtownia danych to rozbudowana baza
danych, która słuŜy do przechowywania
ogromnych ilości informacji, pochodzących z
najrozmaitszych źródeł. Powinna
funkcjonować jako uniwersalny magazyn
danych, z którego moŜna korzystać, chcąc
zastosować róŜnego typu narzędzia
analityczne.

Wśród podstawowych cech hurtowni
danych wymienia się:

• orientację tematyczną dane moŜna uporządkować
według zagadnień biznesowych;
• jednorodność - dane wykorzystywane przez róŜne
aplikacje są przetwarzane z zachowaniem spójności;
• zmienność w czasie - dane podlegają aktualizacji
wraz ze zmianą uwarunkowań;
• stabilność - wprowadzanie i wyszukiwanie danych
w bazie nie nastręczają Ŝadnych trudności.

Dane zgromadzone w hurtowni mogą być podzielone na róŜne

kategorie i poziomy, takie jak:

szczegółowe dane bieŜące,

szczegółowe dane historyczne,

dane słabo skondensowane (na potrzeby
kierowników średniego szczebla),

dane mocno skondensowane (na potrzeby
naczelnego kierownictwa),

metadane.

Hurtownia danych

Szczegółowe dane historyczne najczęściej umieszcza się na
najniŜszym poziomie struktury, poniewaŜ liczą co najmniej
2—3 lata i rzadko się do nich sięga.

Metadane opisują znaczenie i strukturę danych oraz sposób,
w jaki zostały stworzone, udostępnione i wykorzystane, a
takŜe ułatwiają zlokalizowanie poszczególnych elementów
zawartości hurtowni oraz sporządzenie jej mapy. Ponadto są
wskazówką przy stosowaniu róŜnych algorytmów
syntetyzowania danych.

Hurtownia danych

Funkcję hurtowni danych umoŜliwiającej
przechowywanie, przeszukiwanie i
przetwarzanie duŜych zbiorów danych
najczęściej pełnią dzisiaj relacyjne bazy
danych. Praktycznie kaŜde większe
przedsiębiorstwo posiada takie bazy danych,
wspomagające zarządzanie wynagrodzeniami,
sprzedaŜą, działalnością marketingową itp.

Wizualizacja

Technologie wizualizacji, ułatwiające
wychwycenie i zrozumienie
skomplikowanych zaleŜności między danymi
dzięki uŜyciu rozbudowanej grafiki
komputerowej, mają stosunkowo krótką
historię. Stanowią one nieocenione narzędzie,
zwłaszcza jeśli chodzi o przedstawianie
efektów eksploracji danych czy wyszukiwania
informacji.

W systemach wyszukiwania informacji na przykład dane moŜna
obrazować i modelować z wykorzystaniem następujących
technik:

dwu- lub trójwymiarowe wykresy rozrzutu;

dwu- lub trójwymiarowe pola wektorowe z danymi
wyraŜonymi w sposób geometryczny;

ujęcie danych w formie drzewa lub innej struktury
hierarchicznej w celu uzyskania pełniejszego obrazu
zagadnienia;

siatki przestrzenne;

mapy odzwierciedlające wzajemne usytuowanie elementów
domeny;

mapy bibliometryczne obrazujące wzajemne usytuowanie
autorów i ich prac oraz grupujące te osoby według róŜnych
kryteriów.

Narzędzia wizualizacji

Bardziej zaawansowane narzędzia
wizualizacji wykorzystują kolor oraz techniki
renderingu i fotorealizmu,