Обзор по теме исследования «Моделирование системы управления знаниями на основе нейросети»

Ключевые слова: нейронная сеть, знание, cистема управления, управление знаниями, данные, состав системы управления знаниями

Для определения возможности моделирования системы управления знаниями на основе нейронной сети, необходимо:

– изучить существующие литературные данные о системах управления знаниями;

– дать определение системе управления знаниями;

– определить необходимость системы управления знаниями в организации;

– определить сходство между литературными данными и существующими решениями на рынке.

– Определить компоненты для моделирования системы на основе нейросети

На сегодняшний день все источники базируется на теоретической части и компонентах (модулей) системы управления знаниями. Беря во внимание разработку IBM, Таблица 1. состав системы управления знаниями, и виды информационных и экономических взаимодействий, по типу взаимодействующих субъектов, а также полагая что в каждом виде информационных и экономических взаимодействий и в рамках какого рынка организация существуют её бизнес-процессы отличны от других организаций, что противоречит поиску сходств и построению моделей для создания такой системы по средством нейронных сетей. Теоретически это возможно, но необходимо рассмотреть все возможные организации, изучить их бизнес-процессы, определить ценность данных, которые протекают в этих процессах, далее с помощью нейронной сети решить задачу классификации этого множества данных. На основании этого множества данных и полученных классов, вновь обучить нейронную сеть с целью дальнейшего получения компонентов системы управления знаниями.

Виды информационных и экономических взаимодействий, по типу взаимодействующих субъектов:

– B2B (Business-to-Business) — взаимоотношения между организацией и организацией

– G2B (Government-to-Business) — взаимоотношения между государством и организациями

– B2G (Business-to-Government) — взаимоотношения между организациями и государством.

– P2P (People-to-People) — взаимоотношения между человеком и человеком.

– Другие, более сложные, например, B2B2C

В каждом информационном поле субъекта существует ядро, на котором базируется все процессы организации. Под ядром понимается основной бизнес-процесс организации, отвечающий за основную деятельность. Также возможно, что в организации можно выделить несколько ключевых бизнес-процессов, которые приносят ценность и знания организации.

Необходимость и существующие решения на рынке

Важно помнить, что управление знаниями заключается не в управлении знаниями ради знаний. Общая цель заключается в создании ценности, рычагов и совершенствовании активов знаний компании для достижения организационных целей. Таким образом в рамках по типу взаимодействующих субъектов каждая организация создает ценности и рычаги для достижения целей. Предполагая, что каждая организация ориентирована на результат или на достижение цели, она выстраивает процесс таким образом, чтобы его достичь.

Для примера рассмотрим высокотехнологичную компанию Google LLC, в которой более 100 продуктов для различных целей повседневного образа жизни, бизнеса, разработки и других, при этом основную прибыль корпорации приносит рекламная деятельность. Основным активом компании являются пользователи и знание о них. Инструменты такие как, AdWords, Google Analytics и т. д. привлекают своё внимание за счет одного из лучшего решения на рынке рекламных услуг автоматизации маркетинга и отслеживания результатов маркетинговой активности не только на сайтах, а уже и оффлайн продажах. С другой стороны, это пользователи, которые обладают поисковиком, почтой и рядом других инструментов, что позволяет удерживать пользователей и накапливать знания на протяжении долгого времени. В данном примере приведен элементарный пример, который нам показывает, чтобы выстроить процесс накопления и управления знаниями, необходимо предоставить инструмент. Исходя из примера видно три объекта это организация, продукты компании и её пользователи. А также в данном примере присутствует внутренняя среда организации, которая организует процесс накопления знаний с помощью своих продуктов и внешняя среда — это наш окружающий мир и общество. Следовательно, основываясь на примере компании Google LLC, что результатом компании является получение прибыли за счет рекламы, а предоставляя инструменты и продукты, с другой стороны, она достигает своей цели — это извлечение прибыли за счёт рекламы. Пример компании Google LLC, наглядно описывается информационной иерархий понятий Р. Аккофа представленной на рисунке 1.

Рассмотрим пример компании IBM предложившей следующий состав системы управления знаниями в таблице 1.

Таблица 1

Состав системы управления знаниями

[Источник: Том Шорт, старший консультант по управлению знаниями в IBM Global Services]

Как видно из таблицы, предложенный состав системы управления знаниями разграничивает процессы сбора информации и кодификации, и соединений людей и персонализации. Данное сходство также присутствует на примере компании Microsoft, рассмотрим перечень приложений платформы Dynamics 365, Microsoft 365 и Data platform.

Dynamics 365:

– Система автоматизации продаж (приложение Sales);

– Система поддержки клиентов (приложение Customer Service);

– Система автоматизация выездного обслуживания (приложение Field Service);

– Система управления финансами (приложение Finance & Operations);

– Система управления интернет-магазинами, розничной сети и бэк-офиса (приложение Retail);

– Система управления проектами (приложение Project Service Automation)

– Система автоматизации управления маркетингом (приложение Adobe Marking Cloud)

Microsoft 365:

– Стандартный набор приложений Office для ПК (Word, Excel, PowerPoint, Outlook, OneNote Access)

– Сервисы коммуникации и обмена информацией (Exchange, Skype, OneDrive, SharePoint, Microsoft Teams)

Data Platform:

– Система управлением базами данных (SQL server)

– Набор облачных служб, инструментов и платформ (Azure)

Из рассмотренных примеров, видно, что каждое приложение или средство решает определённую задачу в организации. Как было ранее упомянуто, что каждая система нацелена на решение конкретных задач, и что данный комплекс систем в совокупности описывает систему управления знаниями. Также в каждой организации по информационной иерархии Р. Аккофа, необходимо определить в рамках всех бизнес-процессов что является данными, информацией, знанияем и метазнанием. Данное определение позволит выяснить особенности функционирования бизнес-процессов, влияние одного процесса на другой и важность процесса в организации. Исходя из рассмотренных примеров выделим ключевые компоненты с помощью, которых теоретически возможно моделировать систему управления знаниями.

Источником данных для моделирования системы управления знаниями на основе нейронной сети:

– Бизнес-процессы

– Данные, которые протекают в данных процессах

– Накопленные данные

Нейронная сеть

В нейронных сетях выделают следующие этапы решения задач:

– Сбор данных для обучения;

– Подготовка и нормализация данных;

– Выбор топологии сети;

– Экспериментальный подбор параметров обучения;

– Обучение;

– Проверка адекватности обучения;

– Корректировка параметров, окончательное обучение.

Исходя из этапов, выделенных в нейронных сетях, примером состава системы управления знаниями компании IBM и существующими на рынке приложениями от Microsoft, а также выделенных компонентах для моделирования системы, можно сделать вывод, что в рамках системы управления знаниями нейронная сеть должна обладать следующими функциями:

– Прямой доступ к данным для обучения

– Систему подготовки и нормализации данных

– Способность адаптироваться под решение конкретной задачи — получение знания

• Способность сравнения полученных результатов с эталонными значениями.
• Способность обучаться непрерывно

Прямой доступ к данным для обучения — позволит непрерывно получать необходимые данные и генерировать знания в любой момент времени. Это исключает как таковую операцию сбора, подразумевая, что при внедрении нейронной сети, она имеет доступ ко всем данным организации или, другими словами, при возникновении новой задачи, для получения знания не возникает преграда для получения внутренних данных. Важным моментом является то, что организации, необходимо организовать поставку данных в единое хранилище (центральное хранилище), вне зависимости от компонентов и модулей системы. Таким образом при масштабировании организации и её системы, сбор данных в центральное хранилище позволит обеспечить доступ к данным со всех компонентов системы и обеспечит доступ к данным для нейронной сети. По такому принципу устроено облачное хранилище (база данных) Big Query (DWH) от Google, которое включает в себя набор интеграций с различными сервисами, а также API для интеграции с любой системой.

Система подготовки и нормализации данных — например, если на вашем предприятии или в организации десятки аналитиков проводят бесчисленные часы, подавая данные на листы Excel или используя традиционный процесс извлечения, преобразования и загрузки (ETL), чтобы вытащить данные и отформатировать их для использования, у вас, вероятно, будет утечка значений. Поэтому данный процесс также, необходимо автоматизировать. Под процессом автоматизации подготовки данных понимается процесс очистки и структурирования необработанных данных в желаемый результат анализа. Чтобы удовлетворить растущие требования к управлению данными современных ИТ-отделов, инструменты подготовки данных должны обеспечивать поддержку совместной безопасности, доступу к личным данным и метаданным.

1) Интерактивное исследование — инструменты подготовки данных должны предоставлять пользователям автоматические визуальные представления своих данных на основе их содержимого, генерируя наиболее привлекательное визуальное представление. Каждый набор данных должен быть полностью интерактивным, позволяя пользователям просто выбирать определенные элементы, классы или признаки, чтобы предлагать предложения в процессе подготовки данных.

2) Предсказательная трансформация — при каждом нажатии на щелчок мышью, перетаскивания, выбора подкованных технологий подготовки данных должны предлагаться ранжированные списки предлагаемых преобразований для пользователей для оценки или даже редактирования в зависимости от того, что они пытаются сделать. Это ускоряет и автоматизирует процесс, позволяя пользователям двигаться быстрее — что не требует знаний для программирования.

3) Интеллектуальное исполнение — каждое преобразование во время процесса подготовки данных должно регистрироваться и во время выполнения автоматически сводится к соответствующей структуре обработки на основе масштаба данных, с которыми работает пользователь, и типа применяемых преобразований.

Способность адаптироваться под решение конкретной задачи — на данный момент это является актуальной задачей для нейронных сетей. Под адаптивностью в рамках данной статьи понимается способность нейронной сети автоматически изменять алгоритм своего функционирования, а также свою структуру с целью получения оптимального состояния системы, которое генерирует оптимальное решение, а также, это необходимость сохранения состояния системы при изменении внешних условий. Операция сохранения необходима для того, чтобы результаты при изменении внешних условий были задействованы в новом состоянии для анализа полученных результатов с эталонными значениями нового состояния. Это актуально на выделенных источниках данных для нейронной сети. Заметим, что состояние системы должно быть ориентированно на бизнес-процессы организации и реагировать на изменения во внешней среде, без пристраивания комплекса систем.

Новое состояние системы — это результат сформированной структуру системы способной генерировать знания. Данное состояние достигается за счет обучения с подкреплением, а также регуляризацией структуры сети — это когда с какой-то вероятностью выбрасывается нейрон из слоя сети, выбрасывая нейроны из сети мы получаем новую архитектуру сети. Также на новое состояние системы может влиять на обучение системы с новым подкреплением в силу изменения внешней среды. Метод регуляризации (dropout) нейронной сети — имеет широкое применение на сегодняшний день.

Выводы

Система управления знаниями — это архитектурное решение на базе IT-технологий, которыми создаются правила, стратегии и наборы процессов, позволяющие применить все виды интеллектуальных активов для увеличения прибыли организаций и минимизации издержек и расходов времени. Определяющих фактором определения является прибыль и издержки организации, так как на сегодняшний день это ключевые статьи, по которым ведутся работы организаций, связанных с IT-технологиями. Связанные организации с IT-технологиями — это организации, которые внедряют различные системы учёта, хранения, отслеживания, производства и др., где присутствует машинный код, облегчающий работу человека. По своему составу и назначению каждая из систем ограничена функционально, так как она решает определенные задачи и потребности. В связи с этим, с ростом бизнес-требований, ограничение в функциональности системы и её назначение не способно решать необходимый спектр работ. Это не связанно с функциональными требованиями самих систем и разработчиков этих систем, это напрямую связано с развитие экономики и диверсификации бизнес моделей и поиск новых рынков. Таким образом можно сделать вывод, что необходимость системы управления знаниями в организации на сегодняшний день это неотъемлемая часть для успешного функционирования. Также рассмотренные функции применения нейронной сети должны входить в состав системы управления знаниями и максимально отображать состояние организации на основе данных, что и приводит к генерации знаний в организации.

Литература:

1. CLOUD DATAPREP BY TRIFACTA // Google. URL: https://cloud.google.com/dataprep/ (дата обращения: 12.04.2018);
2. Системы управления знаниями — мировой опыт // iSpring. URL: https://www.ispring.ru/elearning-insights/sistemy-upravleniya-znaniyami-mirovoy-opyt/#2 (дата обращения: 05.05.2018);
3. О компании // Google. URL: https://www.google.com/intl/ru_ru/about/ (дата обращения: 05.05.2018);
4. Часть первая. Элементарные конфигурации нейронной сети // Tproger. URL: https://tproger.ru/translations/neural-network-zoo-1/ (дата обращения: 07.05.2018);
5. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research 15. URL: https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf (дата обращения: 12.05.2018);
6. Акофф Р. От данных к мудрости / Рассел Акофф // Проблемы управления в социальных системах URL: http://elibrary.ru/download/95918252.pdf (дата обращения: 16.05.2018).