Management znalostí neboli knowledge management se definuje jako tvorba a údržba znalostí. Hlavním cílem knowledge managementu je identifikovat a uchopit specifickou znalost, know-how, zkušenosti či jiné dovednosti a umožnit jejich transfer a reprezentaci tak, aby byla dostupná k použití širšímu okruhu uživatelů, kteří vytvořenou znalost využijí. Použití znalosti zvyšuje jejich kvalitu, efektivitu a produktivitu práce.


Znalostní systémy jsou IT systémy, které umožňují sběr, sjednocení, integraci a šíření znalostí. Mohou mít velmi rozdílnou formu, od relativně obecných forem jako internetové prohlížeče dohlížející nad procesy, přes datové sklady se speciálními procesy a reportovacími nástroji na tvorbu a údržbu dokumentace, až po diagnostický expertní systém obsahující specializovanou znalost. Znalostní systémy slouží relativním laikům v dané oblasti.

Proč budovat znalost?

Je třeba si uvědomit, že informační technologie jako taková nevytváří, neudržuje ani nepropaguje vytváření a sdílení znalostí. IT slouží pouze jako prostředník, který díky svým nástrojům umožňuje na jedné straně znalost vytvořit a udržovat a na straně druhé napomáhá znalost mezi uživateli sdílet (díky vytvořené infrastruktuře). Pánové Davenport a Prusak definovali osm základních principů znalostního managementu:

• Znalost primárně vzniká a leží v hlavách lidí.
• Sdílení znalostí vyžaduje důvěru.
• Technologie umožňují vytváření nových vlastností spojené se znalostí.
• Sdílení znalostí musí být podporováno a odměňováno.
• Je nutná podpora managementu a vytvoření zdrojů.
• Vytváření znalostí by mělo začínat pilotním programem.
• Je nutné definovat kvalitativně a kvantitativně měřitelné ukazatele pro vyhodnocení pilotního programu.
• Vytváření znalostí je kreativní proces, zároveň by mělo být podporováno vytvářet znalost novými cestami, které umožňují danou znalost vhodně reprezentovat a zpracovávat.

Celá řada komerčních organizací působících ve sférách s přidanou hodnotou lidské práce čelí problému ztráty znalostí a zkušeností při odchodu zkušených pracovníků. Tato ztráta znalostí se čím dál častěji považuje za klíčový problém a přijímají se různá opatření k uchování znalostí. Dalším tlakem vedoucím k budování a udržování znalostí je globální kooperace, která se distribuuje do různých částí světa. Dnes je již zcela běžné, že spolupracují týmy lidí na různých kontinentech. Kvalitní vytváření, sdílení a udržování znalostí je pak značnou konkurenční výhodou.

Proces tvorby znalostního systému

Typickým znakem znalostního managementu je multidisciplinarita. Na jedné straně stojí odborníci se specifickými znalostmi, které v řadě případů nedokáží explicitně vyjádřit a popsat. Na druhé straně jsou pak uživatelé a konzumenti, kteří znalosti využívají a musí jí důvěřovat, aby její poznatky brali vážně. Mezi nimi stojí IT jako integrující prostředník.
Standardní datové procesy kombinované s informačními systémy a systémy na podporu rozhodování nejsou dostatečnou základnou pro vytvoření znalostního systému. Data v takových systémech bývají rutinně zpracovávána. Další kroky k vytváření znalostí se však nepodnikají. Neexistuje systematický proces, který by znalost vytvářel, filtroval a používal.

Hlavním úkolem znalostních inženýrů vytvářejících znalostní systém je nalézt vhodnou reprezentaci znalostí, která umožňuje její vhodné modelování. Součástí reprezentace znalostí může být i prostředí, ve kterém se znalost vytváří a verifikuje. Znalostní inženýr získá znalost od doménových expertů a zpracuje ji. Výsledkem je modelovaná znalost, která se ukládá do tzv. báze znalostí. Dalším úkolem je navrhnout mechanismus, jak se bude znalost zpracovávat, aby koncoví uživatelé dostali příslušné závěry. Důležitá je také tvorba vhodného uživatelského rozhraní, jak tuto znalost poskytnou koncovým uživatelům ve srozumitelné a uživatelsky přívětivé formě. Nedílnou součástí celého procesu je údržba znalostí, která by měla být přirozeně začleněna do celého procesu, čímž se podporuje evoluce celého systému.
Další možností, jak získávat znalost, je využití dat z velkých databází, které obsahují vzorky typického chování v dané oblasti. V takovém případě je možné využít metod data miningu, hovoří se o tzv. knowledge data discovery.




Obr. 1:Proces získávání a údržby znalostí

Způsoby reprezentace znalostí

Znalost bývá definována různými způsoby. Znalost nejsou data ani informace. Znalost je osobní přesvědčení, které zvyšuje schopnost individuálního rozhodování. Znalost je směsí zkušenosti, hodnot, kontextové informace a vnitřního expertního pohledu. To vše vytváří základ pro vývoj a získávání nových zkušeností a informací. Znalost vzniká v myslích lidí, kteří „znají“. Je zřejmé, že je mnohdy obtížné takovou znalost explicitně vyjádřit, aby s ní mohly pracovat stroje. A to také proto, že bývá sociálně složité znalost získat.



Obr. 2: Od dat ke znalosti

V dnešních organizacích bývá znalost uložena v dokumentech, organizačních procesech, best practices organizací či jiných normách. Úkolem však zůstává předat informaci tak, aby jí její příjemce rozuměl.

Znalost má dvě hlavní formy: nevyslovenou (tacit) a explicitní (explicit). Explicitní znalost je strukturovaná a zpracovatelná na úrovni informačních systémů. Vyjadřuje se například v procesech či pravidlech. Na druhé straně nevyslovená znalost je částečně nebo zcela nevyslovitelná. Zahrnuje bohatou, komplexní a akumulovanou zkušenost, která však stále zůstává v lidských hlavách. Nevyslovená znalost nemůže být přímo explicitně zakódována, a proto jí není možné přímo vložit do procesu nebo databáze. Mohou však vzniknout pravidla, která charakterizují typické expertní chování, reakce a závěry. Právě proces, který umožňuje transformovat nevyslovenou znalost do explicitní je cílem mnoha organizací. To je přesně úloha expertních systémů, které ve své části takovou úlohu řeší již řadu let.

Tabulka 1 ukazuje možné vzájemné iterace mezi explicitní a nevyslovenou znalostí.

Tacit – Tacit Socializace Týmové schůzky, diskuze	Tacit – Explicitní Ztvárnění Dialog s týmem, odpovídání na strukturované a cílené otázky
Explicitní – Tacit Internaliza Učení z reportů, konzultace expertního systému uživatelem	Explicitní – Explicitní Kombinace Reportování, vzdělávání, rekonfigurace znalostí

Tab. 1: Vzájemné iterace mezi explicitní a nevyslovenou znalostí

Reprezentace explicitní znalosti, kterou lze strojově zpracovávat, je jeden z hlavních problémů umělé inteligence. Její důležitost pramení z faktu, že dnešní inteligentní systémy pracují se znalostí. Explicitní znalost se vyjadřuje deklarativně (např. logická reprezentace či sémantické sítě) nebo procedurálně.

	Logická schémata	Sémantické sítě	Procedurální znalost
Báze znalostí a její údržba	kolekce logických formulí (predikáty, logické spojky, kvantifikátory) přidávání, vymazávání a úpravy logických formulí	kolekce binárně spojených objektů a asociací v orientovaném grafu (member-of, instance-of, part-of, as-a, subset-of)přidávání, vymazávání a úpravy objektů, manipulace s vazbami	kolekce procedur vyjádřená v příslušném jazyce (např. LISP), když je splněna podmínka, tak zahaj akcipřidávání, vymazávání a úpravy procedur
Inferenční stroj	dokazovací procedury, například jazyk PROLOG	prohledávání grafů	dohled nad databází faktů a v případě splněných podmínek se spouští akce, ty mohou být prioritizovány (např. produkční expertní systémy)
Vybrané vlastnosti	velmi formální, čistá, jednoduchá a dobře pochopitelná reprezentacenedostatek organizačních principů pro fakta tvořící bázi znalostí pro velké objemy	první reprezentace znalostí, která dosáhla širokého přijetí pro vytváření inteligentních systémů, přehledná grafická reprezentace	pravidla se definují nad expertní znalostí, jejich přímá vazba na fakta v databázi, omezení zbytečného prohledávání, možnost backtrackingu, v dnešní době asi nejprogresivnější a komerčně nasazované

Expertní systémy

Expertní systémy jsou počítačové aplikace, které zahrnují nealgoritmickou expertní znalost umožňující řešit určitý typ problému. Typickými příklady jsou diagnostické expertní systémy, které asistují při konzultacích při řešení problémů. Nasazují se však také jako podpora rozhodování, konfigurační úlohy, monitorování systémů běžících v reálném čase a další. Typický expertní systém se skládá z báze znalostí, dat, odvozovacího mechanismu a uživatelského rozhraní.
Báze znalostí představuje datově nezávislou znalost. Znalost se vytváří a udržuje ve formě pravidel typu if–then. Data odrážejí aktuální stav, lze je získat měřením, z databáze, od uživatelů dotazováním přes uživatelské rozhraní apod. Odvozovací mechanismus je jádrem celého systému. Jeho hlavním úkolem je kombinovat data a bázi znalostí a z nich odvozovat relevantní závěry a poskytovat je uživateli. Uživatelské rozhraní umožňuje kontrolu dialogu mezi uživatelem a systémem, zprostředkovává výstupy, případně umožňuje zadávání vstupů.
Důležitým aspektem expertního systému jsou jednotlivé role. Základním stavebním kamenem je doménový expert v daném oboru, který nese primární znalost, často nevyslovitelnou. S ním komunikuje znalostní inženýr, jehož hlavním úkolem je přenést a explicitně reprezentovat znalost zvolenou reprezentací. Reprezentace znalostí je úzce svázána s procesem, který znalost umožňuje získávat, ověřovat, zpracovávat a reprezentovat koncovému uživateli. Ten dostává na základě dat příslušné rady a závěry, které by měly věrně simulovat doménového experta.
Řada expertních systémů se vytváří na bázi „prázdných expertních systémů“, které obsahují odvozovací mechanismus, uživatelský interface a formát, kterým je třeba předávat znalost. To umožňuje jejich rychlé nasazení či provedení studie proveditelnosti.
Největším úskalím vytváření expertních systémů je proces získávání znalostí. Kódování znalostí do příslušné formy může být velmi únavné a časově náročné. Na druhou stranu, je možné bázi znalostí navrhnout tak, aby co nejvíce podporovala proces získávání znalostí.
Zajímavým znakem expertních systémů je také možnost zpětného chodu (backward chaining) a vysvětlení, proč systém došel k danému závěru a která vstupní data (fakta) ho podporují. Vysvětlovací mechanismus je důležitý nejen pro konečného uživatele, ale také pro znalostního inženýra během fáze budování znalostí.
Dalším aspektem je práce s neurčitostí. Je celá řada situací, kdy nelze stanovit finální závěr s naprostou jistotou. I rady experta mohou být vágní. Typickým oborem, kde je nutné pracovat s neurčitostí, je medicína. V ní nelze s určitostí určit vazby mezi příznakem a nemocí, dokážeme však určit několik možných diagnóz. Proto se takové expertní systémy vybavují pro práci s neurčitostí. Záleží, jak se neurčitost namodeluje na úrovni báze znalostí a jak se bude zpracovávat odvozovacím mechanismem. Nejjednodušším příkladem je ke každému pravidlu či datovému vstupu určit váhu. Tady se ale vracíme k problému, jak takovou míru neurčitosti získat od experta. Platí toto pravidlo s váhou 0,8 nebo 0,9?



Obr. 3: Expertní systém

Znalosti stojí a padají s iniciativou jednotlivců

Knowledge management zahrnuje kulturní, organizační a technické otázky. Proces zavádění systémů knowledge managementu do praxe vyžaduje zásadní změnu postoje ke sdílení znalostí a zkušeností. Pouhá informace jako taková nevytváří znalost a neumožňuje její sdílení. K takovému účelu je třeba vytvořit příslušné prostředí a procesy. Jestliže to není možné, je daleko účelnější umožnit přístup k lidem, kteří „znají“, než nahrnout velké množství informací z různých systémů.
Technologie pro knowledge management se liší od konvenčních databází a datových skladů – musí být integrovaná a integrující. Přesto však centralizovaný přísun informací dodávaný k desktopům obyčejně nefunguje, jak by měl. Vhodnějším přístupem je princip, kdy se znalost vytváří a sdílí na základě iniciativy jednotlivců.
Znalost má značný společenský charakter, který dokáže integrovat společnost či profesionály v daném oboru. Dat a informací je všude okolo více než dost, ale znalostí?

Literatura:
Davenport T., Prusak L.: Working Knowledge, How organizations manage what they knot, Harvard business school press, 1998
Polani M.: The Tatic Dimension, Routledge & Kegan Paul, London, 1996
Barr A., Davidson J.: Representation of Knowledge, in Handbook of Artificial Intelligence, Standford University, 1980

Autor působí jako data mining specialist ve společnosti Adastra.