SlideShare ist ein Scribd-Unternehmen logo
1 von 59
Downloaden Sie, um offline zu lesen
«                               Татьяна Гаврилова
                                               дтн, профессор


  ИНЖЕНЕРИЯ ЗНАНИЙ




Cанкт-Петербургский Государственный
Университет, Высшая Школа
Менеджмента, зав.каф.
«ИТ в менеджменте»


                         Гаврилова Т.А. 2010                       1
Инженерия знаний




               «Стремление к знанию – одно
              из основных свойств человека»
                                Аристотель
3 «состояния» знаний
«Чем тверже знания,
тем больше можно на них заработать»


                                                   «Твердые»




                         «Жидкие»




    «Газообразные»

                                                     Метафора Нордстрема и Риддерстрале
                                                     из книги «Бизнес в стиле фанк навсегда»
                             Гаврилова Т.А. 2010                                         3
Модели структурирования
 и инструменты управления
         знаниями
1. Инженерия знаний и ментальные
   модели
2. Организация процесса УЗ. Роль
   онтологий.
3. Инструменты для формирования
   СУЗ
4. Практическая разработка портала
   знаний
5. Трудности
               Гаврилова Т.А. 2010   4
1. Инженерия знаний и ментальные модели




                Гаврилова Т.А. 2010       5
УЗ как система




                                                                                           Культура

                         Анализ и                                                        Организация
                        диагностика                                                       Технологии
      Использование




                                        Приобретение


                        Знания
                      (контент)                                                     Стратег.
                                                                                    уровень


                       Распределение                                           Организационный
                                                                                   уровень

                                                                             Операционный уровень



©Д. Кудрявцев

                                                       Гаврилова Т.А. 2010                             6
Мультидисциплинарность УЗ




                                ©Д. Кудрявцев
          Гаврилова Т.А. 2010                   7
УЗ версия MBS (Moscow Business School)




             Гаврилова Т.А. 2010         8
Дуализм концепции «Управление знаниями»
              Управление знаниями
              Knowledge Management




  Раздел                                   Информ.
менеджмента                               технология



Стратегия управления            Программное обеспечение
компанией, которая              для реализации задач УЗ:
обеспечивает                      хранения,
интегрированный подход к          формирования,
  созданию,                      поиска,
  организации,                   анализа,
  использованию и                обмена,
увеличению                        группового
интеллектуальных и                 использования
информационных                  документов, данных и
ресурсов предприятия            знаний.
                    Гаврилова Т.А. 2010                    9
Гаврилова Т.А. 2010   10
Информация


ДАННЫЕ - факты,              ЗНАНИЯ -
характеризующие              закономерности,
отдельные свойства           связывающие данные и
объектов, процессов,         позволяющие решать
явлений.                     задачи.
     Получены из
    наблюдений и              Получены из практики.
      измерений.

   Неструктурированный контент
                  Гаврилова Т.А. 2010                 11
Онтология «Инженерия знаний»




            Гаврилова Т.А. 2010   12
Основные фазы обработки знаний
     ЗНАНИЯ           ПОЛЕ ЗНАНИЙ               БАЗА ЗНАНИЙ




     ХАОС                                         МОДЕЛИ
                       МЕНТАЛЬНЫЕ
  ПОЛУЧЕННЫХ                                   ПРЕДСТАВЛЕНИЯ
                         МОДЕЛИ
    ЗНАНИЙ                                        ЗНАНИЙ


                      Интеллект-карты,               Фреймы,
Протоколы интервью,
                      концептуальные            семантические сети,
   стенограммы,
                      графы, таблицы                продукции
 документы, фото и
        пр.              решений

                         Гаврилова Т.А. 2010                          13
2. Организация процесса УЗ. Роль онтологий

                                                     АНАЛИЗ и ДИАГНОСТИКА
                                                     ПРИОБРЕТЕНИЕ
                                                     РАСПРЕДЕЛЕНИЕ
                 Анализ и
                диагностика                          ИСПОЛЬЗОВАНИЕ
          е
      ани




                                     При
  зов




                                        обрете
 оль
Исп




                                               ние




              Распределение


                              Гаврилова Т.А. 2010                     14
Этап 1: Анализ потребностей
или диагностика
 Определение потребности в информации
 Осведомлѐнность о наличии информации
 Кто владеет информацией
 Чего это будет стоить
 Способы реализации




              Гаврилова Т.А. 2010    15
Этап 2. Получение
      (приобретение) знаний
   Работники должны знать где найти источник знаний
    • Создание системы указателей : каталогов, справочников,
      планов и карт
       • Блиц-оценка приоритетов организации в решении
         проблемы
    • Обращение к профессиональным сообществам для получения
      сведений о накопленных в компаниях знаниях
        Осознание образа мышления, принятого в организации
        Создание условий, когда работники готовы сотрудничать
        Соединение воедино процесса обновления данных с
         другими рабочими процессами

                          Гаврилова Т.А. 2010             16
Этап 2. Получение (приобретение) знаний

                  Неявные данные и знания

Данные в голове                         Знания в голове

                    Данные в книгах                        Знания в книгах




                              Выявление
              Извлечение+Структурирование+Формализация




                  РБД    БД                               БЗ
                  Док


                   Явные данные и знания
                            Гаврилова Т.А. 2010                              17
Основные                       Кто скажет, тот не знает,
аспекты                        Кто знает, тот не скажет.
извлечения                                      Лао-цзы
                             Гносеологический
знаний                           аспект




                                               Лингвистический
             Психологичес-
              кий аспект




                                                        аспект
                              Методический
                                аспект



                             Гаврилова Т.А. 2010                 18
Татьяна Гаврилова


           Три слоя психологических
           проблем
                  Психологический аспект




Контактный слой     Процедурный слой         Когнитивный слой

   личность               время             поленезависимость

     пол            неверб. компоненты           ригидность

    возраст                темп             диапазон когнит. эквив.


                      Гаврилова Т.А. 2010                             19

Личная территория



                                О
        Интимная Личная
                      Социальная
                        ная

                0.5   1.5   3.5
Проксемика
Учет невербальных компонент
   Поза (прямо, открыто, легкий наклон, расслаблено, зрительный
    контакт - между уклонением и «сверлением взглядом») Egan, 1990

 Мимика (если нужно, будьте невыносимы, но улыбайтесь)
 Движения головы (кивки, назад -высокомерие, вперед -
    зависимость)

   Dress-code (лучше under-dressed, чем over-dressed, чем эксперт +
    учет корпоративного стандарта Berkley vs Stanford )
Татьяна Гаврилова


        Три слоя лингвистических
        проблем

            Лингвистический аспект




Общий код    Понятийная структура       Словарь пользователя




                  Гаврилова Т.А. 2010                            24
Методический аспект извлечения знаний

                Методы извлечения
                     знаний


        Коммуникативные                         Текстологические
                                              • анализ документов
                                              • анализ справочников
  Групповые        Индивидуальные

• круглый стол
• мозговой
  штурм         Активные            Пассивные
• игры
             • интервью          • наблюдение
             • анкетирование     • вербальные
             • ролевые             отчеты
               игры              • лекции
                        Гаврилова Т.А. 2010                           25
Объектно-структурный анализ (Гаврилова, 1996)

• s_1    -  ЗАЧЕМ-знания     (стратегический   анализ:
назначение и функции системы);
• s_2 - КТО-знания (организационный анализ: коллектив
разработчиков системы);
• s_3 - ЧТО-знания (концептуальный анализ: концепты и
отношения );
• s_4 - КАК-знания (функциональный анализ: гипотезы и
модели принятия решения);
• s_5    -  ГДЕ-знания    (пространственный    анализ:
окружение, оборудование, коммуникации);
• s_6 - КОГДА-знания (временной анализ: временные
параметры и ограничения);
• s_7    -   ПОЧЕМУ-знания       (каузальный   анализ:
формирование подсистемы объяснений);
• s_8 - СКОЛЬКО - знания (экономический анализ:
ресурсы, затраты, прибыль, окупаемость).
                      Гаврилова Т.А. 2010            26
Классификация по типу знаний




            Гаврилова Т.А. 2010   27
Классификация моделей
           представления знаний

                                  ЯПЗ


          СЕТЕВЫЕ                               МОДУЛЬНЫЕ


Семантические                            Формально-     Правила-
                    Фреймы
    сети                                 логические    продукции
                                                       Таблицы
K-графы                                                решений
                                    онтологии
                И-карты
                                                      Для машины
                                                      Для человека
                          Гаврилова Т.А. 2010                      28
Интеллект-карты (Mind maps)

                 Се
                   мь                    т   а
                     я                бо
                                    Ра
  Сп
    ор
       т




                                            е
 Образ
           жизни                        Жиль
    ние
                         Здоровье
Пита

                                     Кл
                                       им
                          ь              ат
                       ост
                     нн
                  тве
                дс
             сле
           На

     И-карты - это ассоциативные сети (графы),
     отражающие основные идеи и их взаимосвязи с
       другими, идеями, понятиями и объектами.
                    (частично из Т.Бузена (Т. Busen)) 29
                    Гаврилова Т.А. 2010
Интеллект-карта как ментальная графическая модель




                  Гаврилова Т.А. 2010         30
Что важно в и-карте




        www.12manage.com/images/picture_mind_mapping_...

             Гаврилова Т.А. 2010                     31
Правило «одного уровня»
Понятия, лежащие на одном уровне
иерархии, должны быть однородны.
              Дерево



                                        инородно
    Сосна   Ель      Ветвь




                  Гаврилова Т.А. 2010              32
Ошибка 1: разнородность понятий
на всех уровнях




           Гаврилова Т.А. 2010    33
Инструменты вrain-mapping
(“мысле-графы”)
   Inspiration 7.6
   iMap (by Tony Buzan)
   MindMapper
   MindGenius Business
   Visual Mind 7
   Mind Pad
   Mind manager v.8
   Freemind
   The Brain
   Comapping

                   Гаврилова Т.А. 2010   34
Концептуальные графы

   Концепты
    (понятия)
   Отношения
   Иерархия
   Перекрестные
    связи




                   Гаврилова Т.А. 2010   35
Пример концептуального
графа (Concept mapping)
 Узлы графа
  - концепты
 Стрелки –
  отношения
  между ними
 Все стрелки
  имеют имя


                Гаврилова Т.А. 2010   36
ДЕРЕВО РЕШЕНИЙ




                 Гаврилова Т.А. 2010   37
Диаграмма Ишикавы




        Гаврилова Т.А. 2010   38
Road map Путевая карта/ Стратегическая карта/ Маршрутизатор
Бизнес
Бизнес
 цели
 цели
                  Реперные
Меропри- Ключевые Реперные
                     точки
                    точки
         Ключевые
Меропри-  решения
          решения
  ятия
  ятия




                             Январь 2007   Июль 2007                     Январь 2008   Июнь 2008


                                                       Гаврилова Т.А. 2010                  39
Пример «дорожных карт»




              Гаврилова Т.А. 2010   40
Карта знаний

Объединяют ЧТО->(ГДЕ/КТО) знания

 Минимизация объема информации
 Ясность
 Образность
 Проекция таксономии на СОС



             Гаврилова Т.А. 2010   41
Попытка классификации ИВС
                                                                Профессионал
                                              Пользователь      Новичок

                                              Поддержка
               Функциональность               коллективной
               инструмента                    работы
                                              Расширяемость
                                              Масштабируемость

  Инструменты                         Количество
   визуального         Модели         моделей

структурирования                      Тип модели

                                                    Количественный
                                  Тип информации
                                                    Качественный

                      Задача                           Наука
                                                       Бизнес
                                  Предметная область
                                                       Образование



                   Производитель
                        Гаврилова Т.А. 2010                                    42
Методы структурирования знаний
(кратко)
                                       Иерархические

                                       Сетевые
                       Визуальные
                                       Линейные

                                       Графики

МСЗ (по форме)


                                       Табличные
                       Символьные
                                       Текстовые

                 Гаврилова Т.А. 2010                   43
Типы онтологий
                            Генеалогия

                           Партономия

                        Атрибутивная
                          структура

                            Таксономия

                   Функциональности
          Гаврилова Т.А. 2010            44
Ontology Applications




           Гаврилова Т.А. 2010   45
Онтологический инжиниринг
   OИ – это методология и технология
    проектирования, разработки и
    использования онтологий для
    структурирования и тиражирования
    знаний в различных предметных
    областях и приложениях.



                 Гаврилова Т.А. 2010    46
Онтологический инжиниринг




           Гаврилова Т.А. 2010   47
Этап 3: Распределение и
распространение
   Обеспечение доступа, как к централизованно
    управляемой, так и индивидуально
    публикуемой информации.
   Создание структур и методов повторного
    использования знаний: создание
    специализированных баз данных, порталов,
    контроль качества публикуемой информации,
    регулярное обновление, обучение работе с
    системой.
   Разработка СУЗ.

                    Гаврилова Т.А. 2010          48
Этап 4: Использование (плюс
обучение и ликвидация)
   Девиз: создавать и поддерживать



                       Мотивация                 Поддержка




                                       Доверие

                 Гаврилова Т.А. 2010                     49
Человеческий фактор

Создание новых должностей по обработке
информации:
  CIO (Chief Informaion Officer) или СKO (Chief
   Knowledge Officer)
  Превращение библиотекарей в специалистов по
   оцифрованной информации (кибертекарей)
  Создание новых должностей: инженер по знаниям
   и менеджер знаний (менеджер по
   интеллектуальным ресурсам), а также
   координатор знаний и брокер знаний.
  Использование экспертов по фильтрации и
   ликвидации информации

                   Гаврилова Т.А. 2010             50
Трудности: человеческий фактор
Эксперты?
Инженер по
 знаниям ?
Modeler?




             Гаврилова Т.А. 2010   51
Инструмент
          Задача
                                         Метод

Коммуникативные                           Аналитические
   способности                             способности




                   Гаврилова Т.А. 2010                52
Дуализм роли
                 аналитика
                     Аналитик




                                               Синтез
    Анализ
                                            спецификаций




                               Влючает модели,
Влючает инструменты и          инструменты и методы,
методы, которые                сязанные с
обеспечивают                   проектированием и
   сбор и накопление,          разработкой
   структурирование и          спецификаций для
   анализ информации об        информационных и
   основной деятельности       производственных
   предприятия                 программных систем




                      Гаврилова Т.А. 2010                  53
Человеческий фактор
Топ-менеджеры и              Коллектив разработчиков
  специалисты-                                              Конечные пользователи
                                 (постановщики,
    эксперты                     программисты)
             Аналитики




  Методология
                              Технология                     Управление
       и
  организация
                         +    реализации                =     знаниями

              Объект
   Name




                                  Гаврилова Т.А. 2010                               54
Школа аналитика
      Модуль 1. Введение в бизнес-
        аналитику
    1.1. Работа с информацией: данные и
     знания
    1. 2. Модели представления инф.
    1. 3. Основные аспекты работы с инф.:
     психологический, лингвистический и
     методический
    1. 4. Практические методы извлечения
     данных и знаний (коммуникативные и
     текстологические).
    1. 5. Структурирование
    2. Основы моделирования бизнес-
     процессов
    2.1. Процессный подход и структурный
     анализ
    2.2. Моделирование БП как основа
     постановки задачи автоматизации
    2.3. Эскизное моделирование
    2.4. Представление о функционально-
     структурном и объектно-
     ориентированном моделировании –
     (IDEF и UML)
    2.5. Практикум по моделированию.




                                       Гаврилова Т.А. 2010   55
6 аналитических позиций
(по де Боно)




                 Нейтрально-
 Интуитивно-
                 информативная   Конструктивная
 эмоциональная




 Рефлективная     Креативная     Критическая
Гаврилова Т.А. 2010   57
Гаврилова Т.А. 2010   58
Заключение:
“Правильно поставить задачу
  - значит практически ее решить”
                              Харрингтон




СПАСИБО! Вопросы?
     gavrilova@gsom.pu.ru
               Гаврилова Т.А. 2010         59

Weitere ähnliche Inhalte

Was ist angesagt?

Prendre la data par le bon sens
Prendre la data par le bon sensPrendre la data par le bon sens
Prendre la data par le bon sensJean-Michel Franco
 
Industry 4.0 and the Internet of Things
Industry 4.0 and the Internet of Things Industry 4.0 and the Internet of Things
Industry 4.0 and the Internet of Things Schneider Electric
 
Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...
Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...
Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...Massimo Cenci
 
Master Your Data. Master Your Business
Master Your Data. Master Your BusinessMaster Your Data. Master Your Business
Master Your Data. Master Your BusinessDLT Solutions
 
Data Catalog as a Business Enabler
Data Catalog as a Business EnablerData Catalog as a Business Enabler
Data Catalog as a Business EnablerSrinivasan Sankar
 
Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...
Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...
Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...DATAVERSITY
 
Business Intelligence Data Warehouse System
Business Intelligence Data Warehouse SystemBusiness Intelligence Data Warehouse System
Business Intelligence Data Warehouse SystemKiran kumar
 
‏‏Chapter 8: Reference and Master Data Management
‏‏Chapter 8: Reference and Master Data Management ‏‏Chapter 8: Reference and Master Data Management
‏‏Chapter 8: Reference and Master Data Management Ahmed Alorage
 
Data strategy in a Big Data world
Data strategy in a Big Data worldData strategy in a Big Data world
Data strategy in a Big Data worldCraig Milroy
 
Knowledge Management Information Technology Systems
Knowledge Management Information Technology SystemsKnowledge Management Information Technology Systems
Knowledge Management Information Technology SystemsFaruk Ortakaya
 
Using Big Data for Improved Healthcare Operations and Analytics
Using Big Data for Improved Healthcare Operations and AnalyticsUsing Big Data for Improved Healthcare Operations and Analytics
Using Big Data for Improved Healthcare Operations and AnalyticsPerficient, Inc.
 
Data analytics and visualization
Data analytics and visualizationData analytics and visualization
Data analytics and visualizationVini Vasundharan
 
Tietojohtamisen perusteet: Mitä on tietojohtaminen?
Tietojohtamisen perusteet: Mitä on tietojohtaminen?Tietojohtamisen perusteet: Mitä on tietojohtaminen?
Tietojohtamisen perusteet: Mitä on tietojohtaminen?Novi Research Center
 
Master Data Services - 2016 - Huntington Beach
Master Data Services - 2016 - Huntington BeachMaster Data Services - 2016 - Huntington Beach
Master Data Services - 2016 - Huntington BeachJeff Prom
 
Creating a Data-Driven Organization -- thisismetis meetup
Creating a Data-Driven Organization -- thisismetis meetupCreating a Data-Driven Organization -- thisismetis meetup
Creating a Data-Driven Organization -- thisismetis meetupCarl Anderson
 
Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...
Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...
Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...Ramón Hernández
 
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality ManagementAhmed Alorage
 
DAMA Australia: How to Choose a Data Management Tool
DAMA Australia: How to Choose a Data Management ToolDAMA Australia: How to Choose a Data Management Tool
DAMA Australia: How to Choose a Data Management ToolPrecisely
 
Dcam v2.2 table_of_contents_
Dcam v2.2 table_of_contents_Dcam v2.2 table_of_contents_
Dcam v2.2 table_of_contents_AhmedHany Sayed
 

Was ist angesagt? (20)

Ebook - The Guide to Master Data Management
Ebook - The Guide to Master Data Management Ebook - The Guide to Master Data Management
Ebook - The Guide to Master Data Management
 
Prendre la data par le bon sens
Prendre la data par le bon sensPrendre la data par le bon sens
Prendre la data par le bon sens
 
Industry 4.0 and the Internet of Things
Industry 4.0 and the Internet of Things Industry 4.0 and the Internet of Things
Industry 4.0 and the Internet of Things
 
Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...
Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...
Recipes 6 of Data Warehouse and Business Intelligence - Naming convention tec...
 
Master Your Data. Master Your Business
Master Your Data. Master Your BusinessMaster Your Data. Master Your Business
Master Your Data. Master Your Business
 
Data Catalog as a Business Enabler
Data Catalog as a Business EnablerData Catalog as a Business Enabler
Data Catalog as a Business Enabler
 
Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...
Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...
Informatica Presents: 10 Best Practices for Successful MDM Implementations fr...
 
Business Intelligence Data Warehouse System
Business Intelligence Data Warehouse SystemBusiness Intelligence Data Warehouse System
Business Intelligence Data Warehouse System
 
‏‏Chapter 8: Reference and Master Data Management
‏‏Chapter 8: Reference and Master Data Management ‏‏Chapter 8: Reference and Master Data Management
‏‏Chapter 8: Reference and Master Data Management
 
Data strategy in a Big Data world
Data strategy in a Big Data worldData strategy in a Big Data world
Data strategy in a Big Data world
 
Knowledge Management Information Technology Systems
Knowledge Management Information Technology SystemsKnowledge Management Information Technology Systems
Knowledge Management Information Technology Systems
 
Using Big Data for Improved Healthcare Operations and Analytics
Using Big Data for Improved Healthcare Operations and AnalyticsUsing Big Data for Improved Healthcare Operations and Analytics
Using Big Data for Improved Healthcare Operations and Analytics
 
Data analytics and visualization
Data analytics and visualizationData analytics and visualization
Data analytics and visualization
 
Tietojohtamisen perusteet: Mitä on tietojohtaminen?
Tietojohtamisen perusteet: Mitä on tietojohtaminen?Tietojohtamisen perusteet: Mitä on tietojohtaminen?
Tietojohtamisen perusteet: Mitä on tietojohtaminen?
 
Master Data Services - 2016 - Huntington Beach
Master Data Services - 2016 - Huntington BeachMaster Data Services - 2016 - Huntington Beach
Master Data Services - 2016 - Huntington Beach
 
Creating a Data-Driven Organization -- thisismetis meetup
Creating a Data-Driven Organization -- thisismetis meetupCreating a Data-Driven Organization -- thisismetis meetup
Creating a Data-Driven Organization -- thisismetis meetup
 
Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...
Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...
Estrategia de Datos, ¿por dónde iniciar una iniciativa de gestión y gobierno ...
 
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
 
DAMA Australia: How to Choose a Data Management Tool
DAMA Australia: How to Choose a Data Management ToolDAMA Australia: How to Choose a Data Management Tool
DAMA Australia: How to Choose a Data Management Tool
 
Dcam v2.2 table_of_contents_
Dcam v2.2 table_of_contents_Dcam v2.2 table_of_contents_
Dcam v2.2 table_of_contents_
 

Ähnlich wie Инженерия знаний

Роль знаний в организации
Роль знаний в организацииРоль знаний в организации
Роль знаний в организацииMikhail Rozhkov
 
Применение методов организационной психологии в управлении знаниями
Применение методов организационной психологии в управлении знаниямиПрименение методов организационной психологии в управлении знаниями
Применение методов организационной психологии в управлении знаниямиAnastasia Chermoshenceva
 
Понятийные системы в цифровом мире: что может знать компьютер?
Понятийные системы в цифровом мире: что может знать компьютер?Понятийные системы в цифровом мире: что может знать компьютер?
Понятийные системы в цифровом мире: что может знать компьютер?Dmitry Kudryavtsev
 
Дмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМ
Дмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМДмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМ
Дмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМvalveindustryhub
 
Точность тестов
Точность тестовТочность тестов
Точность тестовallvit
 
Онтологии и информационная архитектура: соотношение терминов и потенциал совм...
Онтологии и информационная архитектура: соотношение терминов и потенциал совм...Онтологии и информационная архитектура: соотношение терминов и потенциал совм...
Онтологии и информационная архитектура: соотношение терминов и потенциал совм...Dmitry Kudryavtsev
 
кудрявцев V3
кудрявцев V3кудрявцев V3
кудрявцев V3NLPseminar
 
ОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. Базарова
ОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. БазароваОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. Базарова
ОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. БазароваprofstandartHR
 
Знаниевая среда организации
Знаниевая среда организацииЗнаниевая среда организации
Знаниевая среда организацииAnastasia Chermoshenceva
 
Построение системы управления инновациями
Построение системы управления инновациямиПостроение системы управления инновациями
Построение системы управления инновациямиAndrei Andrusov
 
Андрей Курьян Изобретательское творчество в инженерии требований
Андрей Курьян Изобретательское творчество в инженерии требованийАндрей Курьян Изобретательское творчество в инженерии требований
Андрей Курьян Изобретательское творчество в инженерии требованийТранслируем.бел
 
Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...
Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...
Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...Анастасия Виноградова
 
Chusovitnina
ChusovitninaChusovitnina
Chusovitninaserbin_
 
Knowledge management — от мечты к реальности
Knowledge management — от мечты к реальностиKnowledge management — от мечты к реальности
Knowledge management — от мечты к реальностиHRedu.ru
 
ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...
ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...
ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...Victor Gridnev
 
Бизнес-разведка как инструмент коммерциализации результатов научной деятельности
Бизнес-разведка как инструмент коммерциализации результатов научной деятельностиБизнес-разведка как инструмент коммерциализации результатов научной деятельности
Бизнес-разведка как инструмент коммерциализации результатов научной деятельностиПрограмма Развития
 

Ähnlich wie Инженерия знаний (18)

Роль знаний в организации
Роль знаний в организацииРоль знаний в организации
Роль знаний в организации
 
Применение методов организационной психологии в управлении знаниями
Применение методов организационной психологии в управлении знаниямиПрименение методов организационной психологии в управлении знаниями
Применение методов организационной психологии в управлении знаниями
 
Понятийные системы в цифровом мире: что может знать компьютер?
Понятийные системы в цифровом мире: что может знать компьютер?Понятийные системы в цифровом мире: что может знать компьютер?
Понятийные системы в цифровом мире: что может знать компьютер?
 
Дмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМ
Дмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМДмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМ
Дмитрий Кудрявцев ВШМ СПбГУ RKM- 2016 Дифференциация методов и инструментов КМ
 
Точность тестов
Точность тестовТочность тестов
Точность тестов
 
загвязинский методология
загвязинский методологиязагвязинский методология
загвязинский методология
 
Онтологии и информационная архитектура: соотношение терминов и потенциал совм...
Онтологии и информационная архитектура: соотношение терминов и потенциал совм...Онтологии и информационная архитектура: соотношение терминов и потенциал совм...
Онтологии и информационная архитектура: соотношение терминов и потенциал совм...
 
кудрявцев V3
кудрявцев V3кудрявцев V3
кудрявцев V3
 
Elaz 21-12-11-strategy n
Elaz 21-12-11-strategy nElaz 21-12-11-strategy n
Elaz 21-12-11-strategy n
 
ОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. Базарова
ОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. БазароваОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. Базарова
ОБУЧЕНИЕ И РАЗВИТИЕ КАК КАДРОВАЯ ТЕХНОЛОГИЯ - презентация Т.Ю. Базарова
 
Знаниевая среда организации
Знаниевая среда организацииЗнаниевая среда организации
Знаниевая среда организации
 
Построение системы управления инновациями
Построение системы управления инновациямиПостроение системы управления инновациями
Построение системы управления инновациями
 
Андрей Курьян Изобретательское творчество в инженерии требований
Андрей Курьян Изобретательское творчество в инженерии требованийАндрей Курьян Изобретательское творчество в инженерии требований
Андрей Курьян Изобретательское творчество в инженерии требований
 
Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...
Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...
Управление компетенциями и техналогиями в проктной индустрии_InnoTrain_HRMExp...
 
Chusovitnina
ChusovitninaChusovitnina
Chusovitnina
 
Knowledge management — от мечты к реальности
Knowledge management — от мечты к реальностиKnowledge management — от мечты к реальности
Knowledge management — от мечты к реальности
 
ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...
ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...
ИТ система управления научно исследовательской деятельностью ВУЗва - АйТи мар...
 
Бизнес-разведка как инструмент коммерциализации результатов научной деятельности
Бизнес-разведка как инструмент коммерциализации результатов научной деятельностиБизнес-разведка как инструмент коммерциализации результатов научной деятельности
Бизнес-разведка как инструмент коммерциализации результатов научной деятельности
 

Mehr von Irene Pochinok

Построение правил для автоматического извлечения словосочетаний из текста
Построение правил для автоматического извлечения словосочетаний из текстаПостроение правил для автоматического извлечения словосочетаний из текста
Построение правил для автоматического извлечения словосочетаний из текстаIrene Pochinok
 
Грамматические правила формализации смысла комических текстов в концепции инв...
Грамматические правила формализации смысла комических текстов в концепции инв...Грамматические правила формализации смысла комических текстов в концепции инв...
Грамматические правила формализации смысла комических текстов в концепции инв...Irene Pochinok
 
Проблемы построения интеллектуальных агентов реального времени
Проблемы построения интеллектуальных агентов реального времениПроблемы построения интеллектуальных агентов реального времени
Проблемы построения интеллектуальных агентов реального времениIrene Pochinok
 
Использование данных семантического веба поисковыми системами
Использование данных семантического веба поисковыми системамиИспользование данных семантического веба поисковыми системами
Использование данных семантического веба поисковыми системамиIrene Pochinok
 
Обработка слабоструктурированных веб-документов на основе облачных технологий...
Обработка слабоструктурированных веб-документов на основе облачных технологий...Обработка слабоструктурированных веб-документов на основе облачных технологий...
Обработка слабоструктурированных веб-документов на основе облачных технологий...Irene Pochinok
 
О взаимосвязях между онтологиями и логиками
О взаимосвязях между онтологиями и логикамиО взаимосвязях между онтологиями и логиками
О взаимосвязях между онтологиями и логикамиIrene Pochinok
 
FUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSIS
FUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSISFUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSIS
FUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSISIrene Pochinok
 
Илья Утехин, СПбГУ
Илья Утехин, СПбГУИлья Утехин, СПбГУ
Илья Утехин, СПбГУIrene Pochinok
 

Mehr von Irene Pochinok (8)

Построение правил для автоматического извлечения словосочетаний из текста
Построение правил для автоматического извлечения словосочетаний из текстаПостроение правил для автоматического извлечения словосочетаний из текста
Построение правил для автоматического извлечения словосочетаний из текста
 
Грамматические правила формализации смысла комических текстов в концепции инв...
Грамматические правила формализации смысла комических текстов в концепции инв...Грамматические правила формализации смысла комических текстов в концепции инв...
Грамматические правила формализации смысла комических текстов в концепции инв...
 
Проблемы построения интеллектуальных агентов реального времени
Проблемы построения интеллектуальных агентов реального времениПроблемы построения интеллектуальных агентов реального времени
Проблемы построения интеллектуальных агентов реального времени
 
Использование данных семантического веба поисковыми системами
Использование данных семантического веба поисковыми системамиИспользование данных семантического веба поисковыми системами
Использование данных семантического веба поисковыми системами
 
Обработка слабоструктурированных веб-документов на основе облачных технологий...
Обработка слабоструктурированных веб-документов на основе облачных технологий...Обработка слабоструктурированных веб-документов на основе облачных технологий...
Обработка слабоструктурированных веб-документов на основе облачных технологий...
 
О взаимосвязях между онтологиями и логиками
О взаимосвязях между онтологиями и логикамиО взаимосвязях между онтологиями и логиками
О взаимосвязях между онтологиями и логиками
 
FUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSIS
FUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSISFUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSIS
FUNCTION OF RIVAL SIMILARITY IN A COGNITIVE DATA ANALYSIS
 
Илья Утехин, СПбГУ
Илья Утехин, СПбГУИлья Утехин, СПбГУ
Илья Утехин, СПбГУ
 

Инженерия знаний

  • 1. « Татьяна Гаврилова дтн, профессор ИНЖЕНЕРИЯ ЗНАНИЙ Cанкт-Петербургский Государственный Университет, Высшая Школа Менеджмента, зав.каф. «ИТ в менеджменте» Гаврилова Т.А. 2010 1
  • 2. Инженерия знаний «Стремление к знанию – одно из основных свойств человека» Аристотель
  • 3. 3 «состояния» знаний «Чем тверже знания, тем больше можно на них заработать» «Твердые» «Жидкие» «Газообразные» Метафора Нордстрема и Риддерстрале из книги «Бизнес в стиле фанк навсегда» Гаврилова Т.А. 2010 3
  • 4. Модели структурирования и инструменты управления знаниями 1. Инженерия знаний и ментальные модели 2. Организация процесса УЗ. Роль онтологий. 3. Инструменты для формирования СУЗ 4. Практическая разработка портала знаний 5. Трудности Гаврилова Т.А. 2010 4
  • 5. 1. Инженерия знаний и ментальные модели Гаврилова Т.А. 2010 5
  • 6. УЗ как система Культура Анализ и Организация диагностика Технологии Использование Приобретение Знания (контент) Стратег. уровень Распределение Организационный уровень Операционный уровень ©Д. Кудрявцев Гаврилова Т.А. 2010 6
  • 7. Мультидисциплинарность УЗ ©Д. Кудрявцев Гаврилова Т.А. 2010 7
  • 8. УЗ версия MBS (Moscow Business School) Гаврилова Т.А. 2010 8
  • 9. Дуализм концепции «Управление знаниями» Управление знаниями Knowledge Management Раздел Информ. менеджмента технология Стратегия управления Программное обеспечение компанией, которая для реализации задач УЗ: обеспечивает  хранения, интегрированный подход к  формирования,  созданию,  поиска,  организации,  анализа,  использованию и  обмена, увеличению  группового интеллектуальных и использования информационных документов, данных и ресурсов предприятия знаний. Гаврилова Т.А. 2010 9
  • 11. Информация ДАННЫЕ - факты, ЗНАНИЯ - характеризующие закономерности, отдельные свойства связывающие данные и объектов, процессов, позволяющие решать явлений. задачи. Получены из наблюдений и Получены из практики. измерений. Неструктурированный контент Гаврилова Т.А. 2010 11
  • 12. Онтология «Инженерия знаний» Гаврилова Т.А. 2010 12
  • 13. Основные фазы обработки знаний ЗНАНИЯ ПОЛЕ ЗНАНИЙ БАЗА ЗНАНИЙ ХАОС МОДЕЛИ МЕНТАЛЬНЫЕ ПОЛУЧЕННЫХ ПРЕДСТАВЛЕНИЯ МОДЕЛИ ЗНАНИЙ ЗНАНИЙ Интеллект-карты, Фреймы, Протоколы интервью, концептуальные семантические сети, стенограммы, графы, таблицы продукции документы, фото и пр. решений Гаврилова Т.А. 2010 13
  • 14. 2. Организация процесса УЗ. Роль онтологий АНАЛИЗ и ДИАГНОСТИКА ПРИОБРЕТЕНИЕ РАСПРЕДЕЛЕНИЕ Анализ и диагностика ИСПОЛЬЗОВАНИЕ е ани При зов обрете оль Исп ние Распределение Гаврилова Т.А. 2010 14
  • 15. Этап 1: Анализ потребностей или диагностика  Определение потребности в информации  Осведомлѐнность о наличии информации  Кто владеет информацией  Чего это будет стоить  Способы реализации Гаврилова Т.А. 2010 15
  • 16. Этап 2. Получение (приобретение) знаний  Работники должны знать где найти источник знаний • Создание системы указателей : каталогов, справочников, планов и карт • Блиц-оценка приоритетов организации в решении проблемы • Обращение к профессиональным сообществам для получения сведений о накопленных в компаниях знаниях  Осознание образа мышления, принятого в организации  Создание условий, когда работники готовы сотрудничать  Соединение воедино процесса обновления данных с другими рабочими процессами Гаврилова Т.А. 2010 16
  • 17. Этап 2. Получение (приобретение) знаний Неявные данные и знания Данные в голове Знания в голове Данные в книгах Знания в книгах Выявление Извлечение+Структурирование+Формализация РБД БД БЗ Док Явные данные и знания Гаврилова Т.А. 2010 17
  • 18. Основные Кто скажет, тот не знает, аспекты Кто знает, тот не скажет. извлечения Лао-цзы Гносеологический знаний аспект Лингвистический Психологичес- кий аспект аспект Методический аспект Гаврилова Т.А. 2010 18
  • 19. Татьяна Гаврилова Три слоя психологических проблем Психологический аспект Контактный слой Процедурный слой Когнитивный слой личность время поленезависимость пол неверб. компоненты ригидность возраст темп диапазон когнит. эквив. Гаврилова Т.А. 2010 19
  • 20.
  • 21.
  • 22. Личная территория О Интимная Личная Социальная ная 0.5 1.5 3.5 Проксемика
  • 23. Учет невербальных компонент  Поза (прямо, открыто, легкий наклон, расслаблено, зрительный контакт - между уклонением и «сверлением взглядом») Egan, 1990  Мимика (если нужно, будьте невыносимы, но улыбайтесь)  Движения головы (кивки, назад -высокомерие, вперед - зависимость)  Dress-code (лучше under-dressed, чем over-dressed, чем эксперт + учет корпоративного стандарта Berkley vs Stanford )
  • 24. Татьяна Гаврилова Три слоя лингвистических проблем Лингвистический аспект Общий код Понятийная структура Словарь пользователя Гаврилова Т.А. 2010 24
  • 25. Методический аспект извлечения знаний Методы извлечения знаний Коммуникативные Текстологические • анализ документов • анализ справочников Групповые Индивидуальные • круглый стол • мозговой штурм Активные Пассивные • игры • интервью • наблюдение • анкетирование • вербальные • ролевые отчеты игры • лекции Гаврилова Т.А. 2010 25
  • 26. Объектно-структурный анализ (Гаврилова, 1996) • s_1 - ЗАЧЕМ-знания (стратегический анализ: назначение и функции системы); • s_2 - КТО-знания (организационный анализ: коллектив разработчиков системы); • s_3 - ЧТО-знания (концептуальный анализ: концепты и отношения ); • s_4 - КАК-знания (функциональный анализ: гипотезы и модели принятия решения); • s_5 - ГДЕ-знания (пространственный анализ: окружение, оборудование, коммуникации); • s_6 - КОГДА-знания (временной анализ: временные параметры и ограничения); • s_7 - ПОЧЕМУ-знания (каузальный анализ: формирование подсистемы объяснений); • s_8 - СКОЛЬКО - знания (экономический анализ: ресурсы, затраты, прибыль, окупаемость). Гаврилова Т.А. 2010 26
  • 27. Классификация по типу знаний Гаврилова Т.А. 2010 27
  • 28. Классификация моделей представления знаний ЯПЗ СЕТЕВЫЕ МОДУЛЬНЫЕ Семантические Формально- Правила- Фреймы сети логические продукции Таблицы K-графы решений онтологии И-карты Для машины Для человека Гаврилова Т.А. 2010 28
  • 29. Интеллект-карты (Mind maps) Се мь т а я бо Ра Сп ор т е Образ жизни Жиль ние Здоровье Пита Кл им ь ат ост нн тве дс сле На И-карты - это ассоциативные сети (графы), отражающие основные идеи и их взаимосвязи с другими, идеями, понятиями и объектами. (частично из Т.Бузена (Т. Busen)) 29 Гаврилова Т.А. 2010
  • 30. Интеллект-карта как ментальная графическая модель Гаврилова Т.А. 2010 30
  • 31. Что важно в и-карте www.12manage.com/images/picture_mind_mapping_... Гаврилова Т.А. 2010 31
  • 32. Правило «одного уровня» Понятия, лежащие на одном уровне иерархии, должны быть однородны. Дерево инородно Сосна Ель Ветвь Гаврилова Т.А. 2010 32
  • 33. Ошибка 1: разнородность понятий на всех уровнях Гаврилова Т.А. 2010 33
  • 34. Инструменты вrain-mapping (“мысле-графы”)  Inspiration 7.6  iMap (by Tony Buzan)  MindMapper  MindGenius Business  Visual Mind 7  Mind Pad  Mind manager v.8  Freemind  The Brain  Comapping Гаврилова Т.А. 2010 34
  • 35. Концептуальные графы  Концепты (понятия)  Отношения  Иерархия  Перекрестные связи Гаврилова Т.А. 2010 35
  • 36. Пример концептуального графа (Concept mapping)  Узлы графа - концепты  Стрелки – отношения между ними  Все стрелки имеют имя Гаврилова Т.А. 2010 36
  • 37. ДЕРЕВО РЕШЕНИЙ Гаврилова Т.А. 2010 37
  • 38. Диаграмма Ишикавы Гаврилова Т.А. 2010 38
  • 39. Road map Путевая карта/ Стратегическая карта/ Маршрутизатор Бизнес Бизнес цели цели Реперные Меропри- Ключевые Реперные точки точки Ключевые Меропри- решения решения ятия ятия Январь 2007 Июль 2007 Январь 2008 Июнь 2008 Гаврилова Т.А. 2010 39
  • 40. Пример «дорожных карт» Гаврилова Т.А. 2010 40
  • 41. Карта знаний Объединяют ЧТО->(ГДЕ/КТО) знания  Минимизация объема информации  Ясность  Образность  Проекция таксономии на СОС Гаврилова Т.А. 2010 41
  • 42. Попытка классификации ИВС Профессионал Пользователь Новичок Поддержка Функциональность коллективной инструмента работы Расширяемость Масштабируемость Инструменты Количество визуального Модели моделей структурирования Тип модели Количественный Тип информации Качественный Задача Наука Бизнес Предметная область Образование Производитель Гаврилова Т.А. 2010 42
  • 43. Методы структурирования знаний (кратко) Иерархические Сетевые Визуальные Линейные Графики МСЗ (по форме) Табличные Символьные Текстовые Гаврилова Т.А. 2010 43
  • 44. Типы онтологий Генеалогия Партономия Атрибутивная структура Таксономия Функциональности Гаврилова Т.А. 2010 44
  • 45. Ontology Applications Гаврилова Т.А. 2010 45
  • 46. Онтологический инжиниринг  OИ – это методология и технология проектирования, разработки и использования онтологий для структурирования и тиражирования знаний в различных предметных областях и приложениях. Гаврилова Т.А. 2010 46
  • 47. Онтологический инжиниринг Гаврилова Т.А. 2010 47
  • 48. Этап 3: Распределение и распространение  Обеспечение доступа, как к централизованно управляемой, так и индивидуально публикуемой информации.  Создание структур и методов повторного использования знаний: создание специализированных баз данных, порталов, контроль качества публикуемой информации, регулярное обновление, обучение работе с системой.  Разработка СУЗ. Гаврилова Т.А. 2010 48
  • 49. Этап 4: Использование (плюс обучение и ликвидация)  Девиз: создавать и поддерживать Мотивация Поддержка Доверие Гаврилова Т.А. 2010 49
  • 50. Человеческий фактор Создание новых должностей по обработке информации:  CIO (Chief Informaion Officer) или СKO (Chief Knowledge Officer)  Превращение библиотекарей в специалистов по оцифрованной информации (кибертекарей)  Создание новых должностей: инженер по знаниям и менеджер знаний (менеджер по интеллектуальным ресурсам), а также координатор знаний и брокер знаний.  Использование экспертов по фильтрации и ликвидации информации Гаврилова Т.А. 2010 50
  • 51. Трудности: человеческий фактор Эксперты? Инженер по знаниям ? Modeler? Гаврилова Т.А. 2010 51
  • 52. Инструмент Задача Метод Коммуникативные Аналитические способности способности Гаврилова Т.А. 2010 52
  • 53. Дуализм роли аналитика Аналитик Синтез Анализ спецификаций Влючает модели, Влючает инструменты и инструменты и методы, методы, которые сязанные с обеспечивают проектированием и сбор и накопление, разработкой структурирование и спецификаций для анализ информации об информационных и основной деятельности производственных предприятия программных систем Гаврилова Т.А. 2010 53
  • 54. Человеческий фактор Топ-менеджеры и Коллектив разработчиков специалисты- Конечные пользователи (постановщики, эксперты программисты) Аналитики Методология Технология Управление и организация + реализации = знаниями Объект Name Гаврилова Т.А. 2010 54
  • 55. Школа аналитика Модуль 1. Введение в бизнес- аналитику  1.1. Работа с информацией: данные и знания  1. 2. Модели представления инф.  1. 3. Основные аспекты работы с инф.: психологический, лингвистический и методический  1. 4. Практические методы извлечения данных и знаний (коммуникативные и текстологические).  1. 5. Структурирование  2. Основы моделирования бизнес- процессов  2.1. Процессный подход и структурный анализ  2.2. Моделирование БП как основа постановки задачи автоматизации  2.3. Эскизное моделирование  2.4. Представление о функционально- структурном и объектно- ориентированном моделировании – (IDEF и UML)  2.5. Практикум по моделированию. Гаврилова Т.А. 2010 55
  • 56. 6 аналитических позиций (по де Боно) Нейтрально- Интуитивно- информативная Конструктивная эмоциональная Рефлективная Креативная Критическая
  • 59. Заключение: “Правильно поставить задачу - значит практически ее решить” Харрингтон СПАСИБО! Вопросы? gavrilova@gsom.pu.ru Гаврилова Т.А. 2010 59