Видобуток знань і управління ними

7. Найбільша онлайнова мережа наукової та технічної інформації

8. Управління знаннями

8.1 Технологічні основи

8.2 Що дає управління знаннями

8.3 Компоненти управління знаннями

8.4 Концепція управління знаннями

8.5 Інструменти управління знаннями

Висновки

Список використаних електронних ресурсів

Введення

Тема контрольної роботи "Видобуток знань і управління ними".

Поряд з активами будь-якої компанії, які відображаються в балансах і піддаються оцінюванню, сьогодні все частіше говорять ще про одне, хоча і нематеріальних фізично, активі - знаннях. Через труднощі формалізованого підходу до використання знань до цих пір більшість компаній не управляла цим активом. Саме з появою нових інформаційних технологій з'явилася і можливість управління знаннями. Це особливо важливо для компаній, що оперують більш високим рівнем знань у порівнянні з вартістю сировини (консалтингові компанії, виробники ПЗ, дослідницькі лабораторії, високотехнологічні галузі, видавництва та інших).

Ще в 1940 році Герберт Уеллс висловив думку щодо знань, накопичених людством: "Величезне і все зростаюче багатство знань розкидано сьогодні по всьому світу. Цих знань, ймовірно, було б достатньо для вирішення всього величезної кількості труднощів наших днів, але вони розпорошені і неорганізовані. Нам необхідне очищення мислення у своєрідній майстерні, де можна отримувати, сортувати, підсумовувати, засвоювати, роз'яснювати і порівнювати знання та ідеї ". Саме ці слова можуть стати лейтмотивом сучасного управління знаннями (knowledge management - KM).

1. Знання - сила

Що ж таке знання?

Енциклопедичний словник Webster дає наступне визначення: knowledge (знання) - ім.

1) розуміння, що купується фактичним досвідом (наприклад, знання слюсарного ремесла, лікування, менеджменту тощо);

2) А: стан поінформованості про щось або володіння інформацією, Б: діапазон інформованості чи обізнаності;

3) акт розуміння: ясне сприйняття істини;

4) щось зрозуміле і тримається в розумі.

Але, крім цього визначення, є ще безліч оригінальних і цінних визначень. Мабуть, найточніше визначення знань було дано Френсісом Беконом. Його знаменитий вираз "знання - сила" стало девізом інтелектуальної діяльності людства.

Сучасний бізнес визначає знання як "цінну інформацію", систематичне придбання, синтез, обмін та використання інформації, ідей і досвіду для отримання конкурентних переваг. Для бізнесу це свого роду валюта, а тому, щоб її отримувати, знаннями треба керувати, як і будь-яким бізнес-процесом.

В даний час в індустріально розвинених країнах матеріальне виробництво стає вторинним по відношенню до виробництва інформації і знань. Тому тут відбуваються зміни у структурі зайнятості населення. Тепер головною виробничою силою стають працівники знань (knowledge worker).

Працівник знань відрізняється від індустріального працівника тим, що він безроздільно володіє своїми "засобами виробництва": інтелектом, пам'яттю, знаннями, ініціативою, особистим досвідом, які, в явному вигляді "приховані" від інших. У зв'язку з цим власники підприємств стурбовані тим, як і яким чином відчужувати ці приховані знання і перетворювати їх на "явні", зафіксовані і перенесені на ті чи інші типи носіїв. Крім того, виникає складність з тим, що, йдучи з компанії, працівник несе із собою свої знання.

У той же час працівник знань може ефективно працювати лише в складі колективу, він співучасник загального корпоративного справи, продуктом якого є знання.

Це зумовило появу концепції "інтелектуального капіталу". Томас Стюарт і його однодумці довели, що капітал практично будь-якого сучасного підприємства в основному нематеріальний. Так, у біржовій вартості високотехнологічних компаній до 95% складає саме ця частина. Тому, якщо з високотехнологічної компанії йдуть всі основні працівники, то втрати вартості її акцій будуть дорівнюють величині інтелектуального капіталу.

Економічні передумови розвитку управління знаннями пов'язані з численними, але не завжди успішними спробами обгрунтувати економічну доцільність інформаційних технологій. Як правило, для оцінки економічної ефективності використовується показник "повернення від інвестицій" (return on investment - ROI), який не застосуємо до ІТ, хоча б через їх нематеріальності.

Так, Пол Страссман (www.strassmann.com) у своїй книзі "The Squandered Computer "(розоряє комп'ютер) довів, що ніякої явної зв'язку між розміром інвестицій в ІТ і прибутковістю підприємства не існує. Основний висновок, який він зробив кілька років тому, полягає в тому, що економічна оцінка інформаційних технологій повинна будуватися інакше, ніж в інших галузях : "самі по собі інформаційні технології не прибуткові - прибуток приносять операції над знаннями".

2. Інформаційний пошук

Рушійною силою сучасного суспільства є інтелектуально-інформаційні ресурси, тобто знання та інформація. Де їх знайти? Досить умовно накопичення інтелектуально-інформаційних ресурсів розділити на два завдання:

- Пошук інформації;

- Видобуток знань.

З пошуком інформації нам доводиться стикатися практично у всіх комп'ютерних та Інтернет-додатках. Для цих цілей використовуються вбудовані в офісні пакети та бізнес-додатки пошукові механізми, засоби групування і сортування даних. Пошукові машини Інтернету (наприклад, AltaVista, Google, HotBot, АПОРТ, Яndex, МЕТА і інші) за допомогою спеціальних роботів дозволяють по запитам користувачів знаходити різну інформацію в кіберпросторі. Аналогічні кошти є і на більшості сайтів, дозволяючи їх відвідувачам "розібратися" в наявних інформаційних ресурсах.

Як правило, пошукові механізми приховані від користувачів і не вимагають знання логіки їх роботи. Користувачам потрібно ввести слова і деякі символи-замінники, які можна дізнатися з довідкової системи програми або пошукової машини Інтернету, в полі "Пошук", "Знайти", "Пошук," Search "і т. д.

На досить великих Інтернет-ресурсах використовуються системи реферування. Мистецтво реферування (складання анотацій) забезпечує вилучення найбільш важливих або характерних фрагментів з одного чи багатьох джерел інформації. Для цих цілей можна застосовувати такі інструменти, як функція AutoSumma - rize в Microsoft Office, системи IBM Intelligent Text Miner, Oracle Context і Inxight Summarizer (компонент пошукової машини AltaVista), хоча вони і мають деякі обмеження. Вони застосовні тільки для текстів.

Для пошуку потрібної інформації в текстах застосовується декілька технологій.

Технологія автоматичного аналізу тексту на основі асоціативно-статистичної моделі забезпечує підвищення якості векторних моделей, що представляють текст набором складових слів, за рахунок корельованості появи слів в тексті за допомогою семантичних зв'язків.

Технологія автоматичного аналізу тексту покладена в основу таких програмних продуктів, як Russian Context Optimizer і Oracle InterMedia. Тут інтелектуальна обробка тексту (тематична класифікація, анотування) поєднується з пошуковими можливостями, доступними при роботі з реляційними базами даних. Більшість можливостей InterMedia виявляється є в повній мірі лише для англійської мови і в меншій мірі ще для низки європейських і східно-азіатських мов.

Адаптацію технологій Oracle до російськомовних баз даних виконала російська компанія Гарант-Парк-Інтернет, яка випускає продукт Russian Context Optimizer (RCO). Використовуване в RCO лінгвістичне забезпечення дозволяє приводити до нормальної форми всі граматичні форми слів російської мови, зводити воєдино різні частини мови, а також ототожнювати близькі за змістом словосполучення.

Візуалізація інформаційних масивів в Інтернеті забезпечує зручне представлення для користувача знайденої інформації. Для цих цілей використовуються тематичні мережі TopNet і самоорганізуються тематичні карти TopSOM.

Для пошуку інформації в сховищах даних використовуються механізми OLAP-систем, що дозволяють отримувати куби та їх зрізи.

3. Видобуток знань

Отримати інформацію не завжди означає отримати знання. Фахівці виділяють три стратегії отримання знань:

- Придбання знань (спосіб автоматизованого наповнення бази знань);

- Вилучення знань (процедура взаємодії з джерелом знань);

- Виявлення знань в базах даних, (knowledge discovery in databases - KDD) - процес отримання з "сирих" даних потенційно корисної інформації.

Завдяки швидкому розвитку сховищ даних, в яких дані предметно орієнтовані, інтегровані і зберігаються в хронологічній послідовності, виявлення знань в базах даних вийшло на перший план. KDD передбачає накопичення "сирих" даних, їх відбір, підготовку, перетворення, пошук закономірностей і їх узагальнення, тим самим перетворюючи інформацію (дані) в знання.

Аналітичні інструменти, що забезпечують видобуток знань, відносять до галузі технологій Data Mining (розкопки даних). В їх основу покладена концепція шаблонів і залежностей, що відображають багатоаспектні зв'язку в даних. Нетривіальність розшукуваних шаблонів дозволяє відображати неочевидні закономірності в даних, які становлять так звані приховані знання.

4. Класифікація систем Data Mining

Сьогодні ведеться багато суперечок про те, які системи відносити до Data Mining. В тій чи іншій мірі до Data Mining можна віднести системи, що підтримують алгоритмічне забезпечення, описане нижче.

Статистичні пакети. У сучасних статистичних пакетах, поряд із класичним методиками (кореляційний, регресійний, факторний аналіз), мають місце і елементи Data Mining (http://isl.cemi.rssi.ru). Серйозний недолік статистичних пакетів, що обмежує їх застосування в Data Mining, - це статистична парадигма, побудована на усереднених характеристиках вибірки, які не завжди підходять при дослідженні реальних складних життєвих явищ.

В якості прикладів найбільш поширених статистичних пакетів можна назвати SAS, SPSS, STATGRAPICS, STATISTICA, STADIA, ціна яких становить від $ 1000 до $ 15000.

Нейронні мережі.

Це великий клас систем, архітектура яких має певну аналогію з побудовою нервової тканини з нейронів. На нейрони самого нижнього шару подаються значення вхідних параметрів, на основі яких потрібно приймати якісь рішення чи прогнозувати розвиток ситуації. Ці значення розглядаються як сигнали, що передаються в наступний шар, послаблюючи або посилюючись в залежності від числових значень (ваг), приписуваних міжнейронних зв'язків. У результаті на виході нейрона самого верхнього шару виробляється деяке значення, яке розглядається як реакція всієї мережі на значення вхідних параметрів. Основним недоліком нейромережевої парадигми є необхідність мати дуже великий обсяг навчальної вибірки. До нейромережевих систем відносяться BrainMaker, NeuroShell, OWL, thought (Cognos) і SENN Sales (Siemens Nixdorf). Вартість їх досить значна ($ 1500-8000).

CBR-системи.

Для того, щоб зробити прогноз на майбутнє або вибрати правильне рішення, CBR-системи (case based reasoning) знаходять у минулому близькі аналоги має місце ситуації і вибирають ту саму відповідь, який був для них правильним. Основним недоліком цих систем є те, що вони взагалі не створюють будь-яких моделей або правил, узагальнюючих попередній досвід. До ним відносяться KATE tools (Acknosoft), Pattern Recognition Workbench (США).

Дерева рішень.

Ці системи створюють ієрархічну структуру класифікуючих правил типу "ЯКЩО ... ТО ..." (If - then), що має вигляд дерева. Популярність підходу пов'язана з наочністю і зрозумілістю, але дерева рішень принципово не здатні знаходити оптимальні, або кращі (найбільш повні і точні), правила в даних. Вони реалізують простий принцип послідовного перегляду ознак, створюючи лише ілюзію логічного висновку. Найбільш відомими системами на основі дерева рішень є See 5 / C 5.0 (RuleQuest), Clementine (Integral Solutions), SIPINA (University of Lyon), IDIS (Information Discovery, KnowledgeSeeker (ANGOSS).

Еволюційне програмування.

Російська розробка PolyAnalyst дозволяє будувати гіпотези про вид залежності цільової змінної від інших змінних у вигляді програм на деякій внутрішній мові програмування. У системі "вирощується" кілька генетичних ліній програм, які "конкурують" між собою в точності висловлювання шуканої залежності. Спеціальний модуль системи PolyAnalyst переводить знайдені залежності з внутрішньої мови системи на зрозумілу користувачу мова (математичні формули, таблиці та ін). До речі, за допомогою цієї системи робляться спроби управління портфелем ДКО-ОФЗ. Модель, розрахована системою PolyAnalyst, що виконує періодичний перерахунок формул індексів привабливості різних паперів, імпортується в систему торгів SmartBroker.

Обмежений перебір.

Ці алгоритми обчислюють частоти комбінацій простих логічних подій у підгрупах даних. Найбільш яскравим сучасним представником цього підходу є система WizWhy (WizSoff).

5. Здобувач на всі руки

Система MineSet від Silicon Graphics представляє собою інструментарій для інтелектуального аналізу даних на основі потужної візуальної оболонки. Її особливістю є використання декількох взаємодоповнюючих стратегій видобутку, аналізу та інтерпретації даних. Архітектура MineSet має відкритий характер, що дозволяє працювати з інформаційним сховищем, побудованому на основі реляційних баз даних або "плоских" ASCII-файлах. Процес аналізу починається з вибірки деякого підмножини даних для подальшого дослідження, які можуть перетворюватися. Тим самим створюється інформаційна модель у вигляді, найбільш підходящому для подальшого вивчення.

Набір інструментальних засобів MineSet складається з 3 основних модулів:

- Керуючого модуля. Він містить у собі графічний інтерфейс користувача, який називається Tool Manager, і базується на сервері процес - DataMover;

- Модуля аналітичного Data Mining, що знаходиться на сервері і має чотири інтелектуальних інструменту;

- Модуля візуального Data Mining, що знаходиться на клієнтській машині і що складається з п'яти інструментів.

Менеджер інструментів (Tool Manager) надає інтерактивний графічний інтерфейс, за допомогою якого користувач отримує доступ до всіх можливостей та інструментів MineSet в єдиному інтегрованому середовищі. З його допомогою користувач отримує доступ до даних.

Процес DataMover здійснює доступ до даних, проводить їх вибірку і перетворення, ініціалізує роботу запустити на сервері інструментів аналітичного data mining і повертає дані на клієнтську станцію для розподілу їх за візуальним інструментам.

До інструментів аналітичного Data Mining відносять чотири взаємодоповнюючих інструменту аналітичної видобутку даних, заснованих на методах штучного інтелекту з використанням машинного навчання. Це Генератор асоціативних зв'язків (Association Rule Generator), Генератор Дерева рішень (Decision Tree Inducer), Генератор свідоцтв (Evidence Inducer) і утиліта визначення Значущості ознак (Column Importance).

MineSet містить п'ять інструментів для візуального Data Mining, що дозволяють виконувати інтерактивне візуальне уявлення і дослідження даних. Це Ландшафтний візуалізатор (Map Visual - izer), Візуалізатор дисперсії (Scatter Visualizer), Візуалізатор дерев (Tree Visualizer), Візуалізатор правил (Rule Visualizer) і Візуалізатор свідоцтв (Evidence Visualizer).

6. Data Mining у Бізнес

За допомогою Data Mining підприємства роздрібної торгівлі можуть виконувати аналіз купівельної корзини, знання якої необхідно для поліпшення реклами, вироблення стратегії створення запасів товарів і способів їх розкладки в торгових залах. Дослідження тимчасових шаблонів допомагає торговельним підприємствам приймати рішення про створення товарних запасів, а створення прогнозуючих моделей дає можливість торговельним підприємствам дізнаватися характер потреб різних категорій клієнтів з певною поведінкою.

Досягнення технології Data Mining у банківській справі дозволять виявляти шахрайство з кредитними картками, сегментувати клієнтів за категоріями, а також прогнозувати зміни клієнтури.

В області телекомунікацій методи Data Mining допомагають компаніям більш енергійно просувати свої програми маркетингу і ціноутворення (аналіз записів про докладних характеристиках викликів і виявлення лояльності клієнтів).

Data Mining може застосовуватися в безлічі інших областей. Наприклад, в автомобільній промисловості при складанні автомобілів виробники повинні враховувати вимоги кожного окремого клієнта, тому потрібна можливість прогнозування популярності певних характеристик і знання того, які характеристики зазвичай замовляються разом. Авіакомпанії можуть виявляти клієнтів, яких заохочувальними заходами можна спонукати літати більше.

7. Найбільша онлайнова мережа наукової та технічної інформації

Загальновизнаним джерелом наукової та технічної інформації є міжнародна мережа наукової та технічної інформації STN International (Scientific & Technical Information Network). Вона перебуває у спільному управлінні німецького Спеціалізованої інформаційного центру Фіц Карлсруе (Fachinformationszentrum (FIZ) Karlsruhe), реферативної служби з хімії Американського хімічного товариства (Chemical Abstracts Service (CAS), American Chemical Society) та Інформаційного центру з науки і техніки Японської науково-технічної корпорації (Information Center for Science and Technology (JICST), Japan Science and Technology Corporation). В даний час мережа STN International забезпечує онлайновий доступ до більш ніж 200 баз даних у всіх галузях науки і техніки (див. табл. 1).

Після знаходження потрібних публікацій або документів можна замовити їх повні тексти, використовуючи систему автоматизованої доставки через Інтернет - FIZ AutoDoc / ChemPort. Багато відомих міжнародні бібліотеки та видавництва вже сьогодні пов'язані з системою FIZ AutoDoc / ChemPort, і їх чисельність постійно збільшується.

Щоб мати доступ до FIZ AutoDoc, необхідно зареєструватися, отримати ідентифікатор для підключення та пароль (karlsruhe.de / autodoc).

Таблиця 1. Найбільш великі бази даних STN

Бази даних	Кількість документів, млн.
BEILSTEIN	7,7
BIOSIS	12,0
CA / CAPLUS	16,1
COMPENDEX	4,4
EMBASE	8,0
INPADOC	30,0
INSPEC	6,5
INVESTEXT	9,4
JAPIO	6,3
MEDLINE	11,0
PROMT	7,9
REGISTRY	23,3
SCISEARCH	17,7
WORLDCAT	41,0
WPINDEX	9,5

8. Управління знаннями

8.1 Технологічні основи

Сучасні сфери застосування комп'ютерів та інформаційних технологій можна розділити на три рівні:

- Computation - виконання обчислень;

- Communication - це, перш за все, Інтернет і все, що з нею пов'язано;

- Cognition - ще тільки зароджується рівень, орієнтований на підтримку інтелектуальної діяльності і знань.

Сьогодні досить добре освоєні і опрацьовані два перші рівня. Саме для них розроблені основні технології, що підтримують управління знаннями:

- Видобуток даних і текстів (Data mining, Text Mining) - розпізнавання образів, виділення значущих закономірностей з даних, які містяться у сховищах або вхідних або вихідних потоках;

- Системи управління документообігом (Document management) - зберігання, архівування, індексування, розмітка і публікація документів;

- Кошти для організації спільної роботи (Collaboration) - мережі intranet, технології групової роботи, синхронні і асинхронні конференції;

- Корпоративні портали знань і навчання;

- Засоби, що підтримують прийняття рішень (Decision support) - експертні системи, системи, що підтримують дискусійні групи і т. д.

8.2 Що дає управління знаннями

Управління знаннями - це процес використання того, що відомо людям, на новому рівні з метою нарощування потенціалу компанії. Уміння керувати знаннями забезпечить ряд переваг:

- Поява більшої кількості ідей і скорочення їх "життєвого циклу";

- Зниження витрат, викликаних дублюванням зусиль і повторенням минулих помилок;

- Більш швидке перетворення службовця у кваліфікованого фахівця;

- Оперативність при реалізації змін у бізнесі;

- Підвищення ефективності за рахунок можливості отримати своєчасний доступ до інформації;

- Вироблення нових рішень на основі вже існуючих і за рахунок застосування колективних ідей.

Підприємство готове управляти знаннями, якщо:

- Сформована культура взаємодії;

- Створена методика вивчення нового знання;

- Є різні способи обміну інформацією;

- Немає страху перед появою нового знання;

- Є розуміння важливості і необхідності;

- Сформовані процеси генерації і передачі знань;

- Проведена інтеграція необхідних інформаційних ресурсів;

- Визначено мотивація управління знаннями;

- Створена технологія управління ключовими процесами управління знаннями.

8.3 Компоненти управління знаннями

Управління знаннями - це поширення і пошук досвіду людей і актуальної інформації в середовищі пов'язаних між собою людей або груп людей. Найголовніше - це знання людей і взаємодія між людьми.

Ключем до управління знаннями є доставка потрібних знань людям у межах групи людей і організації в цілому і в конкретний час. Мета управління знаннями полягає в тому, щоб допомогти людям краще працювати разом, використовуючи зростаючі обсяги інформації. Виділяють три основних компоненти управління знаннями:

- Люди.

Це володарі знань, їм передається досвід для створення нових ідей.

- Процеси.

Потрібні для спільного використання і поширення інформації.

- Технології.

Необхідні для швидкої і ефективної роботи людей і процесів.

Після того, як ідея створюється людиною і здійснюється на практиці, вона проходить фазу оцінки та удосконалення. Потім ідея чи рішення зберігається для використання в майбутньому цією людиною або іншими людьми.

Взаємне розповсюдження і використання персональних знань (знань, що належать одній людині) і загальних для організації знань (знань, зібраних організацією) сприяє появі нововведень і виробництва нових продуктів. Тут виникає проблема: як змінити корпоративну культуру типу "знання - сила" на "колективне знання - сила"? Ця проблема викликана розумінням того, що чим більше знань ми зберігаємо для себе, тим більше "цінними" ми стаємо.

Тому сьогодні впроваджуються відповідні процеси і технології, спрямовані на поширення і спільне використання знань. Але тут виникає питання про пошук знань, так як знання постійно розвиваються. При цьому потрібно пам'ятати про наступне.

Пошуком даних займаються багато низькорівневі булеві пошукові механізми. Вони не вирішують проблему управління знаннями, а тільки створюють перенасичені інформацією потоки.

При пошуку інформації не використовується контекст і розуміння істоти запиту. Інформація завжди пов'язана з якими-небудь даними, широко поширена, може залежати від контексту, може генеруватися людьми і комп'ютерами, легко сприймається і легко передається, може бути легко взаємопов'язана з іншою інформацією, в принципі, може використовуватися ким завгодно і коли завгодно.

Пошук знань здійснюється тоді, коли пошукові механізми високого рівня доставляють тільки інформацію, дійсно актуальну для потреб людей. Пошук знань являє собою вищу форму пошуку інформації та даних, оскільки повинен володіти інтелектуальним доступом до інформації і шукати будь-які типи даних, найбільш адекватних запитом. Знання мають відношення до даних та інформації, але не завжди з ними пов'язані, дефіцитні, їх непросто добувати, вони завжди пов'язані з якимось контекстом, існують в його рамках, генеруються тільки людьми, важкі для сприйняття, володіють швидкістю передачі і сприйняття, для успішного сприйняття вимагають чітких меж їх розуміння, можуть бути дуже дорогі, мають терміном і метою використання.

8.4 Концепція управління знаннями

Сьогодні прийнято говорити про концепцію управління знаннями від Lotus і IBM, яка визначає чотири основні завдання бізнесу: інновація, швидкість реагування, продуктивність і компетенція.

Компанія, яка хоче залишитися компетентної, повинна дбати про розвиток своїх співробітників. Компетенція передбачає розвиток ділових навичок і примноження професійних знань співробітників шляхом навчання в режимі on - line, на робочому місці і віддалено.

Інновація - головна умова досягнення переваги над конкурентами. Перед багатьма компаніями постає проблема подолання фізичних та часових меж, що розділяють співробітників, для здійснення спільних "мозкових штурмів", обміну ідеями при виробництві нових продуктів та послуг.

Сприйнятливість (швидкість реагування) надає людям доступ до необхідної інформації в потрібний момент, щоб вони швидше вирішили проблеми замовників, брали оптимальні рішення і адаптувалися до мінливих умов ринку.

Знаходження і багаторазове використання оптимальних рішень та інших знань, спрямованих на скорочення циклів виробництва, виключення подвійної роботи дозволяють підвищити продуктивність. Тому важливим фактором управління знаннями є документування, каталогізація та розповсюдження корпоративних інформаційних ресурсів.

При цьому компетенція і інновація відносяться, в основному, до області створення знань, а продуктивність і сприйнятливість відносяться до галузі використання наявних знань.

8.5 Інструменти управління знаннями

Пропонована компанією Autonomy (www.autonomy.com) технологія пошуку відповідників готовими шаблонами дозволяє ставити унікальну "підпис" у документах для їх ідентифікації та кодування. Програмні агенти потім шукають і знаходять аналогічні концепції в архівах електронної пошти, джерелах новин або на Web-вузлах, автоматично обробляючи, індексуючи і пов'язуючи інформацію. Для нових мультимедіа-додатків Autonomy пропонує програми Portal - in - a - Box, Content Server, Guardian Server і Daily Briefing.

Сервер Plumtree Server (Www.lumtree.com) призначений спеціально для розробки корпоративних порталів в intranet, для автоматичної організації посилань на електронні документи, звіти баз даних, повідомлення електронної пошти, дані групової роботи та іншу інформацію у intranet-ієрархії. Крім того, компанія регулярно надає користувачам модернізації, розсилаючи їх по електронній пошті або публікуючи в Web, а також готує коментарі по всій інформації, яка була додана в мережу.

Hyperknowledge Builder (Www, hyperknowledge.com) являє собою програмне середовище для створення моделей спільного використання знань на платформі Windows. Це програмне забезпечення збирає критично важливі знання та досвід, в першу чергу неформалізовані знання, так що всі учасники можуть точно уявляти собі, що вони роблять, як і чому.

Основний пакет компанії Glyphica (www.glyphica.com) PortalWare дозволяє легко розгортати і підтримувати вузли з корпоративними порталами, які доставляють інформацію. Крім того, ця компанія також пропонує сервіси сканування документів для інтеграції інформації, що зберігається в паперовому вигляді.

Система Introspect Knowledge Server (Www.intraspect.com) являє собою додаток для корпоративних порталів, що служить для організації доступу, контролю та спільного використання корпоративних даних. Інформація може надходити з настільних систем, зокрема з текстових процесорів, електронних таблиць та електронної пошти, паралельно з інформацією, розміщеною в Web. Цей продукт також підтримує дані, одержувані з основних корпоративних джерел, таких як системи знань, системи планування корпоративних ресурсів, сховища даних і додатку управління взаємозв'язками з споживачами.

Основний продукт компанії Open Text (www.opentext.com) Live - link являє собою програмний пакет для спільної роботи віртуальної групи, автоматизації бізнес-процесів, управління бібліотеками знань та добування інформації.

І звичайно ж, пальму першості у сфері управління знаннями слід віддати Lotus (нині IBM). Lotus Notes є ідеальною платформою для управління знаннями, тому що чудово справляється з вирішенням двох завдань. По-перше, надає можливості співпраці, підвищують якість бізнес-процесів. По-друге, допомагає виявляти "неявні" знання і робити їх доступними для використання іншими співробітниками організації.

Висновки

1. За оцінками аналітиків Arthur Andersen, обсяг знань, якими володіє людство, подвоюється кожні п'ять років. У 2020 році знання людства будуть подвоюватися кожні 72 дні. Ще одна цікава формула, запропонована тією ж компанією, полягає в наступному: знання - це є люди плюс інформація, зведені в ступінь засобів розповсюдження цієї інформації.

2. За оцінкою GartnerGroup, технології управління знаннями здатні вже зараз дати 20% підвищення продуктивності роботи організацій.

3. За даними консалтингової компанії KPMG, в середньому 40% співробітників компаній пропрацювали у своїй організації менше року, ще 40% збираються йти. Вклад "новобранців" у роботу фірми зазвичай невеликий. Ті, хто збирається йти, вважають за краще відносити інформацію з собою. У результаті 80% інформації компанії залишається неосвоєною. При догляді провідних співробітників компанії втрати компаній розподіляються наступним чином:

- Порушення стосунків з ключовими клієнтами / постачальниками - 43%;

- Втрата знань про передовий досвід у специфічній області - 49%;

- Втрата важливої ​​для ведення бізнесу інформації - 14%; істотна втрата прибутку - 13%.

Список використаних електронних ресурсів

www.aup.ru

www.iis.ru

www.bizcom.ru

www.infocity.kiev.ua

www.bizon.ru

www.interface.ru

www.botik.ru

www.iteam.ru

www.ccc.ru

www. internetbook. ru

www.ci.ru

www.isuct.ru

www.citforum.ru

www.ixbt.com

www.comin.org.ua

www.management.com.ua

www.computer.library.ru

www.markbook.chat.ru

www.dis.ru

www.marketing-mix.ru

www.docflow.ru

www.marketing.spb.ru

www.erp.ru

www.mka.ru

www.eup.ru

www.oborot.ru

www.fiber-optica.ru

www.osp.ru

www.hpc.ru

www. plcsystems. kiev.ua

www.hrm.ru

www.promo.ru

www.i2r.ru

www.rusdoc.ru

www.ibo.ru

www.web-support.ru

www.projectmanagement.ru

www.hub.ru