Фильтрация знаний

Кадровая политика - Управление знаниями

Качество и актуальность знаний зависит от многих факторов. Например от того, кто поставляет знания в систему. Поскольку качество знаний изменяется от источника к источнику, системы часто пересортировывают знания, чтобы они были полными и достоверными. Например, компания GM Hughes Electronics собирает удачный опыт реконструкции предприятий в базе данных, комбинируя человеческие и компьютеризированные знания

Другие описательные атрибуты знаний

Кадровая политика - Управление знаниями

Кроме онтологии, для использования знаний огромное значение имеют дополнительные описательные атрибуты. Примерами описательных атрибутов могут служить: «сотрудник», «организация» и «статус информации». Теоретически все базы знаний хранят информацию о контакте или сотруднике, включая имя, дату контакта, роль контактирующего лица в генерации знаний (например, руководитель проекта) и т. д

Онтологии

Кадровая политика - Управление знаниями

Онтология – это точное описание концептуализации . В КМ-системах корпорации онтологические спецификации могут ссылаться на таксономию задач, которые определяют знание для системы (Таксономия – теория классификации и систематизации сложноорганизованных областей деятельности, обычно имеющих иерархическое строение. Прим. пер

Представление знаний

Кадровая политика - Управление знаниями

Системы КМ представляют знания как в форме, удобной для нашего восприятия, так и в машиночитаемом виде. В первом случае доступ к знаниям можно получить используя браузеры и системы интеллектуального поиска. Но иногда знания, доступные в машиночитаемой форме, могут быть спроектированы как базы знаний экспертных систем для поддержки принятия решений.

В представлении знаний для восприятия человеком используется широкий диапазон подходов, и способ представления знаний во многом зависит от ситуации

Разведка знаний

Кадровая политика - Управление знаниями

Разведка знаний представляет собой новое и быстро развивающееся направление, использующее методы искусственного интеллекта, математики и статистики для «выуживания» знаний из хранилищ данных. Грегори Пятецки-Шапиро и Вильям Фролей определяют термин «разведка знаний» как «нетривиальное извлечение точной, ранее неизвестной и потенциально полезной информации из данных» . Этот метод включает инструментарий и различные подходы к анализу как текста, так и цифровых данных. Например для генерации знаний из финансовой информации в системе EDGAR (Electronic Data Gathering and Retrival System) была разработана система EdgarScan, благодаря которой информация стала доступной в Internet (http://edgarscan