Онтологии в корпоративных системах Часть 2

Раздел: Информационные системы
Автор(ы): А.Я. Гладун, Ю.В. Рогушина, журнал "Корпоративные системы" (№1, 2006)	размещено: 23.03.2007 обращений: 13085 отзывов: 4

		Сегодня при разработке корпоративных систем управления знаниями самое узкое место — не программный аспект, а задача извлечения, формулирования, структурирования и представления информации, т. е. данных и знаний. В статье акцент делается на роли онтологий как модели описания знания в подобных системах. Именно онтология формирует самое общее представление об объекте исследования, фиксирует категориальный аппарат концепции (теории).

НАЧАЛО — Онтологии в корпоративных системах. Часть I Онтологические системы могут применяться для решения задач в сфере бизнеса, создания интеллектуальных систем, представления знаний в Интернет. Круг технологий, связанных с этим вопросом, весьма широк и включает в себя мультиагентные системы, автоматическое извлечение знаний из текстов на естественном языке, поиск информации, интеллектуальное аннотирование, автоматическое составление авторефератов и прочее. Во второй части статьи вкратце рассмотрены теоретические понятия, инструментальные средства, практические примеры применения. ФОРМАЛЬНАЯ МОДЕЛЬ ОНТОЛОГИИ Онтология состоит из терминов (понятий), их определений и атрибутов, а также связанных с ними аксиом и правил вывода. Формальная модель онтологии O=<Т, R, F> — это упорядоченная тройка конечных множеств, где: Т — термины прикладной области (ПрО), которую описывает онтология O; R — отношения между терминами заданной ПрО; F — функции интерпретации, заданные на терминах и/или отношениях онтологии O. Модели онтологий классифицируются таким образом: простые (имеют лишь концепты); на основе фреймов (имеют лишь концепты и свойства); на основе логик (например Ontolingua, DAML+OIL). Отношения представляют тип взаимодействия между концептами ПрО1. Пример бинарного отношения — «является частью». Следует заметить, что отношения, которые целесообразно использовать при создании онтологии, значительно менее разнообразны, чем термины, и, как правило, не специфичны для конкретной ПрО («часть-целое», «является подклассом», «оказывает воздействие», «похоже на» и т. п.). Аксиомы используются для моделирования утверждений, которые всегда являются истинными. Между концептами могут быть установлены определенные виды связей. Словарь терминов в определенной прикладной области, тезаурус со своими понятиями (концептами) и связи, которые определяют термины естественного языка, могут рассматриваться как онтологии. Для установления связи между вербально определенными концептами и поиском концептов релевантных запросов используются методы получения информации. Известными примерами онтологии такого типа являются индексы поисковых машин информации в Интернет. Для описания более сложных систем вводят такие понятия, как модель расширяемой онтологии. ЯЗЫКИ ОПИСАНИЯ ОНТОЛОГИЙ Для того чтобы реализовывать различные онтологии, необходимо разработать языки их представления, имеющие достаточную выразительную мощность и позволяющие пользователю избежать «низкоуровневых» проблем. Ключевым моментом в проектировании онтологии является выбор соответствующего языка спецификации онтологий (Ontology specification language). Цель таких языков — дать возможность указывать дополнительную машинно-интерпретируемую семантику ресурсов, сделать машинное представление данных более похожим на положение вещей в реальном мире, существенно повысить выразительные возможности концептуального моделирования слабо структурированных Web-данных. Распространение онтологического подхода к представлению знаний оказало содействие при создании разнообразных языков представления онтологии и инструментальных средств, предназначенных для их редактирования и анализа. Существуют традиционные языки спецификации онтологий: Ontolingua, CycL, языки, основанные на дескриптивных логиках (такие как LOOM), языки, основанные на фреймах (OKBC, OCML, Flogic). Более поздние языки основаны на Web-стандартах (XOL, SHOE, UPML). Специально для обмена онтологиями через Web были созданы RDF(S), DAML, OIL, OWL, которые будут рассмотрены далее. В целом, различие между традиционными и Web-языками спецификации онтологии заключается в выразительных возможностях описания предметной области и некоторых возможностях механизма логического вывода для этих языков. Типичные примитивы языков дополнительно включают: конструкции для агрегирования, множественных иерархий классов, правил вывода, аксиом; различные формы модуляризации для записи онтологий и взаимоотношений между ними; возможность мета-описания онтологии, что полезно при установлении отношений между различными видами онтологий. Сегодня некоторые из таких языков приобрели большую популярность и широко применяются (в частности для описания информационных ресурсов и сервисов Интернет). Язык RDF. В рамках проекта семантической интерпретации информационных ресурсов Интернет (Semantic Web) был предложен стандарт описания метаданных о документе Resource Description Framework, использующий XML-синтаксис. RDF использует базовую модель данных «объект — атрибут — значение» и способен сыграть роль универсального языка описания семантики ресурсов и взаимосвязей между ними. Ресурсы описываются в виде ориентированного размеченного графа — каждый ресурс может иметь свойства, которые в свою очередь также могут быть ресурсами или их коллекциями. Все словари RDF используют базовую структуру, описывающую классы ресурсов и типы связей между ними. Это позволяет использовать разнородные децентрализованные словари, созданные для машинной обработки по разным принципам и методам. Важной особенностью стандарта является расширяемость: можно задать структуру описания источника, используя и расширяя такие встроенные понятия RDF-схем, как классы, свойства, типы, коллекции. Модель схемы RDF включает наследование классов и свойств. RDF уже получил поддержку многих ведущих производителей ПО. Разработан ряд программных продуктов, позволяющих создавать RDF-описания для разного рода систем. Предполагаются возможности интеграции существующих хранилищ информации в общую базу семантического описания и интеграции концепции RDF-базы с форматом MPEG. RDF Schema — стандарт, предложенный по инициативе W3C для представления онтологических знаний. Он специфицирует множество всевозможных допустимых схем данных. Модели предметных областей описываются посредством ресурсов, свойств и их значений. RDFS предоставляет хорошие базовые возможности для описания словарей типов предметных областей. Одно из ограничений — невозможность с помощью RDFS выразить аксиоматические знания, т. е. задать аксиомы и правила вывода, построенные на них. DAML+OIL — семантический язык разметки Web-ресурсов, расширяющий стандарты RDF и RDF Schema за счет более полных примитивов моделирования. Последняя версия DAML+OIL обеспечивает богатый набор конструкций для создания онтологии и разметки информации таким образом, чтобы их могла читать и понимать машина. Первыми предложениями по описанию онтологии на базе RDFS были DARPA DAML-ONT (DARPA Agent Markup Language) и European Commission OIL (Ontology Inference Layer). Эти стандарты спецификации и обмена онтологиями были разработаны для поддержки процесса обмена знаниями и интеграции знаний. На базе этих предложений и возникло совместное решение DAML+OIL. Онтология DAML+OIL состоит из: заголовков (headers); элементов классов (class elements); элементов свойств (property elements); экземпляров (instances). OWL (Web Ontology Language) — язык представления онтологий, расширяющий возможности XML, RDF, RDF Schema и DAML+OIL. Этот проект предусматривает создание мощного механизма семантического анализа. Планируется, что в нем будут устранены ограничения конструкций DAML+OIL. Онтологии OWL — это последовательности аксиом и фактов, а также ссылок на другие онтологии. Они содержат компоненту для записи авторства и другой подробной информации, являются документами Web, на них можно ссылаться через URI. В упоминавшемся уже проекте Semantic Web «машинная обработка смысла» контента будет сделана максимально четкой при помощи пометки документов указателем «с полным смыслом» на основе использования онтологических терминов. Таким образом, онтологии рассматриваются как ключевая технология для использования в Semantic Web (рис. 1). Онтологии играют важную роль в организации обработки знаний на основе Web, а также для их совместного использования. Онтологии, определяемые как совместно используемые формальные концепции конкретных предметных областей, дают общее представление о темах, информацией о которых могут обмениваться и люди, и приложения. Онтологии отличаются от XML-схем тем, что это представления знаний, а не форматы сообщений (большинство Web-стандартов состоят из комбинации форматов сообщений и спецификаций протоколов). ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА ОБРАБОТКИ ОНТОЛОГИЙ Одним из достоинств онтологии является наличие для них инструментального ПО, обеспечивающего общую доменно-независимую поддержку онтологического анализа. Существует целый ряд инструментов для онтологического анализа, поддерживающих редактирование, визуализацию, документирование, импорт и экспорт онтологий разных форматов, их представление, объединение, сравнение. Редакторы Ontolingua. Кроме собственно редактора онтологии, эта система содержит сетевой компонент Webster, предназначенный для определения концептов, сервер, обеспечивающий доступ к онтологиям Ontolingua по протоколу OKBC (Open Knowledge Base Connectivity), и Chimaera — инструментарий для анализа и объединения онтологий. Protégé — свободно распространяемая Java-программа, предназначенная для построения (создания, редактирования и просмотра) онтологий той или иной прикладной области. Она включает редактор онтологии, позволяющий проектировать онтологии, разворачивая иерархическую структуру абстрактных и конкретных классов и слотов. На основе сформированной онтологии Protégé позволяет генерировать формы получения знаний для введения экземпляров классов и подклассов. Инструмент поддерживает использование языка OWL и позволяет генерировать html-документы, отображающие структуру онтологий. Поскольку он использует фреймовую модель представления знаний ОКВС, это позволяет адаптировать его и для редактирования моделей ПрО, представленных не в OWL, а в других форматах (UML, XML, SHOE, DAML+OIL, RDF и RDFS и т. п.). DOE — простой редактор, который позволяет пользователю создавать онтологии. Процесс спецификации онтологии состоит из трех этапов. На первом этапе пользователь строит таксономию понятий и отношений, явным образом очерчивая позицию каждого элемента (понятие) в иерархии. Затем пользователь указывает, в чем специфика понятия относительно его «родителя», и в чем это понятие подобно или отлично от его «братьев». Пользователь может также прибавить синонимы и энциклопедическое определение на нескольких языках для всех понятий. На втором этапе две таксономии рассматриваются с разных точек зрения. Пользователь может расширить их новыми объектами или добавить ограничения на области отношений. На третьем этапе онтология может быть переведена на язык представления знаний. OntoEdit — инструментальное средство, обеспечивающее просмотр, проверку и модификацию онтологии. Оно поддерживает языки представления онтологии OIL и RDFS, а также внутренний язык представления знаний OXML, основанный на XML. Как и Protégé, это автономное Java-приложение, но его коды закрыты. Свободно распространяемая версия OntoEdit Free ограничена 50 концептами, 50 отношениями и 50 экземплярами. OilEd -автономный графический редактор онтологии, разработанный в рамках проекта Оп-То-Knowledge. Он свободно распространяется по общедоступной лицензии GPL. Инструмент использует для представления онтологий язык OIL. В OilEd отсутствует поддержка экземпляров классов. WebOnto разработан для просмотра, создания и редактирования онтологий. Для моделирования онтологий он использует язык OCML (Operational Conceptual Modeling Language). Пользователь может создавать различные структуры, в том числе классы со множественным наследованием. Инструмент имеет ряд полезных особенностей: просмотр отношений, классов и правил, возможна совместная работа над онтологией нескольких пользователей. ODE (Ontological Design Environment) взаимодействует с пользователями на концептуальном уровне, обеспечивает их набором таблиц для заполнения (концептов, атрибутов, отношений) и автоматически генерирует код на языках LOOM, Ontolingua и FLogic. Инструмент получил свое развитие в WebODE, который интегрирует все сервисы ODE в единую архитектуру, сохраняя свои онтологии в реляционной БД. Сложные инструментальные средства Эти средства нужны для того, чтобы не только вводить и редактировать онтологическую информацию, но и анализировать ее, выполняя типичные операции над онтологиями, например: выравнивание (alignment) — установка различного вида соответствий между двумя онтологиями для того, чтобы они могли использовать информацию друг друга; отображение (mapping) — нахождение семантических связей между подобными элементами разных онтологий; объединение (merging) — операция, которая по двум онтологиям генерирует третью, объединяющую информацию из первых двух. PROMPT служит для объединения и группировки онтологий. Это дополнение к системе Protégé, реализованное в виде плагина. По двум онтологиям, которые надо объединить, PROMPT строит список операций (например, объединение терминов или их копирование в новую онтологию) и передает его пользователю, который может выполнить одну из предлагаемых операций. Затем список операций модифицируется, и создается список конфликтов и их возможных решений. Это повторяется до тех пор, пока не будет готова новая онтология. Chimaera — интерактивный инструмент для объединения онтологии, базирующийся на редакторе онтологий Ontolingua. В OntoMerge исходные онтологии транслируются в общее представление на специальном языке. OntoMorph определяет набор операторов преобразования, которые можно применить к онтологии. OBSERVER объединяет онтологии с информацией об отображении между ними и находит синонимы в исходных онтологиях. ONION базируется на алгебре онтологии и предоставляет инструменты для определения правил артикуляции (соединения) между онтологиями. МЕТОДОЛОГИЯ СОЗДАНИЯ ОНТОЛОГИЙ Практическая разработка онтологии включает: определение классов в онтологии; расположение классов в таксономическую иерархию (подкласс — надкласс); определение слотов и описание допускаемых значений этих слотов; заполнение значений слотов экземпляров. После этого можно создать базу знаний, определив отдельные экземпляры этих классов, введя в определенный слот значение и дополнительные ограничения для слота. Выделим некоторые фундаментальные правила разработки онтологии. Они выглядят довольно категоричными, но во многих случаях помогут принять верные проектные решения. Не существует единственно правильного способа моделирования предметной области — всегда существуют жизнеспособные альтернативы. Лучшее решение почти всегда зависит от предполагаемого приложения и ожидаемых расширений. Разработка онтологии — это обязательно итеративный процесс. Понятия в онтологии должны быть близки к объектам (физическим или логическим) и отношениям в интересующей предметной области. Скорее всего, это существительные (объекты) или глаголы (отношения) в предложениях, которые описывают предметную область. Знание того, для чего предполагается использовать онтологию, и того, насколько детальной или общей она будет, может повлиять на многие решения, касающиеся моделирования. Нужно определить, какая из альтернатив поможет лучше решить поставленную задачу и будет более наглядной, более расширяемой и более простой в обслуживании. Следует помнить, что онтология — это модель реального мира, и понятия в онтологии должны отражать эту реальность. После того как определена начальная версия онтологии, мы можем оценить и отладить ее, используя ее в каких-то приложениях и/или обсудив ее с экспертами предметной области. В результате начальную онтологию скорее всего нужно будет пересмотреть. И этот процесс итеративного проектирования будет продолжаться в течение всего жизненного цикла онтологии. Повторное использование существующих онтологии может быть необходимым, если системе нужно взаимодействовать с другими приложениями, которые уже вошли в отдельные онтологии или контролируемые словари. Многие полезные онтологии уже доступны в электронном виде и могут быть импортированы. Существуют библиотеки повторно используемых онтологий, например Ontolingua или DAML. Существует также ряд общедоступных коммерческих онтологий, например UNSPSC, RosettaNet, DMOZ. ОРГАНИЗАЦИОННЫЕ ОНТОЛОГИИ И ПОРТАЛЫ ЗНАНИЙ Несмотря на то что разработано уже много онтологии, отражающих знания о самых разнообразных объектах, при описании конкретных субъектов экономической деятельности надо учитывать их специфику и вносить ее в соответствующие онтологические модели. Онтологическое представление знаний о субъектах экономической деятельности, которые входят в состав какой-либо системы, можно использовать для объединения их информационных ресурсов в единое информационное пространство (рис. 2). Онтология предприятия содержит классы понятий с заданными на них семантическими отношениями. Она состоит из набора технологических онтологий и организационной онтологии, отражающей организационно-функциональную структуру предприятия: состав штатного расписания (работники, администрация, обслуживающий персонал), партнеры, ресурсы и т. п. и отношения между ними. Онтологии технологий содержат понятия, описывающие производственные процессы. Общие знания ПрО, к которой относятся субъекты экономической деятельности, отображает онтология отрасли. Разработанные онтологии позволят сотрудникам одной отрасли или корпорации использовать общую терминологию и избежать взаимных недоразумений, которые могут усложнить сотрудничество и привести к серьезным убыткам (например, организационная онтология четко отражает взаимную иерархию и связи между подразделениями предприятия, а также сферы их компетенции, а ссылки на определенные нормативные документы обеспечивают одинаковую базу для переговоров). Они обеспечат работу со структурированными источниками данных, для которых может быть построена схема данных, то есть описаны типы данных и связи между ними, и существует формальный способ получения отдельных элементов данных. Примерами структурированных источников данных можно считать различные базы данных (например реляционные и объектные), а также слабо структурированные ресурсы, описанные в форматах XML, RDF, OWL, DAML+OIL. В качестве примера практического использования онтологических моделей технологий приведем систему ONTOLOGIC, предназначенную для создания и поддержки распределенных систем нормативно-справочной информации (НСИ), ведения словарей, справочников и классификаторов и поддержки системы кодирования объектов учета (см. рис. 3). Основу системы составляет технологическая среда для постоянного, в режиме реального времени, взаимодействия пользователей: потребителей информации (сотрудников служб и функциональных подразделений) и экспертов, отвечающих за ведение нормативно-справочной информации. Для обеспечения однозначной идентификации и классификации объектов в системах НСИ разработана методика, использующая онтологическую модель формального описания классифицируемых данных, обеспечивающая выделение ключевых свойств объектов классификации и построение на их основе классификационного кода. Выделяются классы (группы однородной продукции) по принципу однородности набора технических и потребительских характеристик, и для каждого материала формируется классификационный код, включающий код класса и коды всех свойств и их значений для данного материала. Онтология обеспечивает непротиворечивое накопление любого количества информации в стандартной структуре классификации. Такой подход гарантирует однозначную идентификацию ресурсов независимо от различных трактовок их наименований разными производителями. Данная технология предусматривает создание типового решения для управления основными данными и НСИ для промышленных предприятий, холдингов и государственных структур. В качестве технологической платформы используется SAP MDM (Master Data Management), предназначенный для интеграции различных (в том числе разноплатформенных) приложений в масштабе компании, холдинга, отрасли, госструктуры и т. п., а также для организации и управления отраслевой или корпоративной нормативно-справочной информацией (мастер-данными). ПРИМЕРЫ ПРИМЕНЕНИЯ ОНТОЛОГИЙ TOVE (Toronto Virtual Enterprise). Цель проекта — создание модели данных, которая должна: обеспечить общую терминологию для предметной области, приложения которой могут совместно использоваться и пониматься каждым участником общения; дать точное и по возможности непротиворечивое определение значения каждого термина на основе логики первого порядка; обеспечить задание семантики с помощью множества аксиом, которые автоматически позволяют получать ответ на множество вопросов о предметной области. TOVE должно обеспечить построение интегрированной модели некоторой предметной области, состоящей из следующих онтологии: операций, состояний и времени, организации, ресурсов, продуктов, сервиса, производства, цены, количества. Ontolingua — система, разработанная в Стэнфордском университете, которая обеспечивает распределенную совместную среду для просмотра, создания, редактирования, модификации и использования онтологии. Сервер системы поддерживает до 150 активных пользователей, некоторые из которых дополняют систему описанием своих проектов. Среди множества других проектов Ontolingua использует проект Enterprise project. Enterprise Project. Целью проекта является улучшение (где необходимо, замена) существующих методов моделирования при помощи набора средств, позволяющих интегрировать различные методы и средства моделирования предприятия. Предполагается создание таких инструментальных средств, которые обеспечат: фиксирование и описание конкретной предметной области; определение задач и требований (согласующихся с онтологией); определение и оценку вариантов решений и альтернативных проектов, реализацию выбранной стратегии. При независимой разработке инструментальных средств возможно использование разной терминологии, что может привести к конфликтам и неоднозначности при их интегрировании. Для решения этой проблемы была построена онтология, в которой задан набор часто используемых и общепринятых терминов, таких как деятельность, процесс, организация, стратегия, маркетинг. KACTUS. Цель проекта — построение методологии многократного применения знаний о технических системах во время их жизненного цикла. Это необходимо, чтобы использовать одни и те же базы знаний для проектирования, оценки, функционирования, сопровождения, перепроектирования и обучения. KACTUS поддерживает интегрированный подход, включающий производственные и инженерные методы и методы инженерии знаний, на основе создания онтологической и вычислительной основы для многократного использования полученных знаний параллельно с различными приложениями технической области. Это достигается при помощи построения онтологии предметной области и ее многократного использования в различных прикладных областях. Кроме того, делается попытка объединить эти онтологии с существующими стандартами (например STEP), применяя онтологии там, где возможно фиксирование данных о конкретной области. Основным формализмом в KACTUS является CML (Conceptual Modeling Language). Инструментарий KACTUS представляет собой интерактивную среду, в которой можно экспериментировать с теоретическими результатами (организовывать библиотеки онтологии, преобразовывать данные между онтологиями, делать преобразования для различных формализмов), а также осуществлять практические действия (просмотр, редактирование и уточнение онтологии в разных формализмах). OntoSeek — информационно-поисковая система, которая разработана для семантически ориентированного поиска информации, комбинируя управляемый онтологией механизм установления соответствия смысла и мощные системы моделирования. SHOE (Simple HTML Ontology Extensions) позволяет авторам аннотировать свои Web-страницы, внося в них семантическое содержание. Основным компонентом SHOE является онтология, которая содержит информацию о некоторой области. Используя эту информацию, средства поиска и построения запросов обеспечивают более релевантный ответ на запрос по сравнению с существующими поисковыми машинами, так как предоставляется возможность включать в Web-страницы знания, которые интеллектуальные агенты могут действительно прочитать. Для этого SHOE дополняет HTML набором специальных тэгов для представления знаний. SHOE позволяет находить знания с помощью таксономии и правил вывода, существующих в онтологии. Plinus. Целью проекта является полуавтоматическое извлечение знаний из текстов на естественном языке, в частности, литературы о механических свойствах керамических материалов. Так как тексты охватывают широкий диапазон понятий, требуется множество интегрированных онтологии для охвата таких понятий, как керамические материалы и их свойства, способы их обработки, различные дефекты материалов, например, такие как трещины и поры. Онтология определяет язык, при помощи которого выражается семантическая часть словаря. ЗАКЛЮЧЕНИЕ Деятельность отдельных людей и организаций сейчас все в большей степени зависит от имеющейся у них информации и способности ее эффективно использовать (извлекать знания). При этом одни группы людей, занимающихся обработкой информации, используют специальные термины, которые другими организациями используются в ином контексте. В то же время в разных организациях часто применяются разные обозначения для одних и тех же понятий. Все это значительно усложняет взаимопонимание. Поэтому необходимо разрабатывать формализованные модели представления знаний, которые обеспечивали бы обработку информации на семантическом уровне в системах управления знаниями (СУЗ). В настоящее время существует значительный интерес к СУЗ со стороны промышленных компаний, которые осознают высокий прикладной потенциал систем, базирующихся на знаниях и используемых для решения целого ряда практических задач предприятия (организации). Вопросы управления знанием приобретают решающее значение для развивающейся экономики, где знание капитализируется и, поэтому, приобретает совершенно иной статус. Онтологии играют решающую роль в модели описания знания, без которой, как утверждают специалисты, вход в любую предметную область запрещен. Проектирование онтологии — это творческий процесс, и поэтому потенциальные приложения онтологии, а также понимание разработчиком предметной области и его точка зрения на нее будут, несомненно, влиять на принятие решений. Об авторах: Гладун Анатолий Ясонович — канд. техн. наук, с.н.с. Международного НУЦ информационных технологий и систем НАНУ, Рогушина Юлия Витальевна — канд. физ-мат. наук, с.н.с. Института программных систем НАНУ. 1 Несколько упрощенно, концепты — это базовые понятия некоторой предметной области. Все определения терминов были приведены в первой части статьи.

Онтологии в корпоративных системах часть 1

А.Я. Гладун, Ю.В. Рогушина, журнал "Корпоративные системы" (№1, 2006)

		Сегодня при разработке корпоративных систем управления знаниями самое узкое место — не программный аспект, а задача извлечения, формулирования, структурирования и представления информации, т. е. данных и знаний. В статье акцент делается на роли онтологий как модели описания знания в подобных системах. Именно онтология формирует самое общее представление об объекте исследования, фиксирует категориальный аппарат концепции (теории).

К ключевым идеям, влияющим на современные тенденции развития корпоративных систем и бизнеса, можно отнести управление знаниями, виртуальные предприятия, реинжиниринг, организационное обучение, инновации в бизнес-процессах, комплексные системные приложения для бизнеса, самоадаптирующиеся системы, электронную коммерцию, Интернет/Интранет-стратегии, права интеллектуальной собственности, технологии аутсорсинга, информационные порталы. Эти идеи могут быть выражены одной фразой: "радикальные непрекращающиеся изменения". БИЗНЕС И ЗНАНИЯ Для современного бизнеса характерно постоянное изменение среды, в которой работают, адаптируются и выживают общества, организации, люди. В условиях конкуренции судьба бизнеса во многом определяется скоростью и точностью реакции компании на изменение внешней среды, а это требует применения в менеджменте новых концепций, техник и инструментария. Деятельность как отдельных людей, так и организаций сейчас все в большей степени зависит от имеющихся у них знаний — одного из самых ценных ресурсов — и способности их эффективно использовать. Однако средства, предназначенные для представления знаний, еще недостаточно совершенны и часто заставляют вновь и вновь искать решения одних и тех же задач. Различные группы пользователей, занимающиеся обработкой и анализом информации, используют специальную терминологию, которая применяется другими сообществами в ином контексте. В то же время в различных сообществах часто встречаются различные обозначения для одних и тех же понятий. Все это значительно усложняет взаимопонимание, поэтому важно разрабатывать модели представления знаний, которые обеспечивали бы автоматизированную обработку информации на семантическом уровне в системах управления знаниями (СУЗ). Управление знаниями сегодня рассматривается как мощное конкурентное преимущество в фирме, ориентированной на постоянные изменения бизнес-процессов. Но ни информационные технологии (ИТ), ни данные сами по себе не могут обеспечить конкурентного преимущества на долгосрочный период. Конкурентные преимущества могут быть достигнуты только «переводом» информации в ценные, смысловые руководства к действию. Таким образом, знание состоит в действии: в эффективном представлении данных и информационных ресурсов для принятия решений, а также в самом выполнении принятого решения. Почти все компании обладают огромным исходным багажом данных и практического опыта. Но пока эта информация рассредоточена в базах данных, хранилищах документов, сообщениях электронной почты, отчетах о продажах и, разумеется, в головах сотрудников. Проблема в том, чтобы организовать доступ к этим данным, придав им форму, удобную для использования. Это не просто, а если еще требуется сделать это быстро (чтобы принять на основе анализа информации неотложное решение), задача может оказаться практически невыполнимой. Таким образом, управление знаниями — это стратегия предприятия, цель которой — выявить и обратить на пользу фирме всю имеющуюся у нее информацию, опыт и квалификацию сотрудников с тем, чтобы повысить качество обслуживания клиентов и сократить время реакции на меняющиеся рыночные условия. Одним из важнейших и перспективных направлений в области формализации знаний, которое дает возможность использования накопленных знаний для компьютерной обработки, являются онтологии. Управление знаниями (Knowledge Management) — совокупность процессов и технологий, предназначенных для выявления, создания, распространения, обработки, хранения и предоставления для использования знаний. Онтология — целостная структурная спецификация некоторой предметной области, ее формализованное представление, которое включает словарь (или имена) указателей на термины предметной области и логические выражения, описывающие, как они соотносятся друг с другом. КОРПОРАТИВНЫЕ СИСТЕМЫ, ОСНОВАННЫЕ НА ЗНАНИЯХ Термин «управление знаниями» начал использоваться еще в середине 1990-х годов в связи с проблемами, возникшими при обработке больших объемов информации в крупных корпорациях. Он связан с поддержкой процессов создания, распространения, обработки и использования знаний внутри предприятия. Можно рассматривать управление знаниями как комплексную организационно-техническую деятельность, направленную на повышение эффективности использования знания в бизнес-процессах организации (предприятия). При этом знания классифицируются и распределяются по категориям в соответствии с предопределенной, но развивающейся онтологией структурированных и слабо структурированных баз данных и баз знаний. Задачи и цели СУЗ. Задача СУЗ — накапливать не разрозненную информацию, а структурированные, формализованные знания — закономерности и принципы, позволяющие решать реальные производственные задачи. Основная цель СУЗ — сделать знания доступными и повторно используемыми на уровне всей корпорации. Онтологический подход к проектированию СУЗ как раз и позволяет создавать системы, в которых знания, накопленные внутри организации, становятся доступными для большинства пользователей. Основные преимущества этого подхода: онтология представляет пользователю целостный, системный взгляд на определенную предметную область (ПрО); знания о ПрО представлены единообразно, что упрощает их восприятие; построение онтологии позволяет восстановить недостающие логические связи ПрО. Например, в электронной коммерции онтологическое представление знаний используют для поддержки автоматизированного обмена данными между покупателями и продавцами, для вертикальной интеграции рынков (VerticalNet.com), а также для повторного использования описаний различными электронными торговыми точками. Механизмы поиска также применяют онтологии для выборки страниц с синтаксически различными, но семантически одинаковыми словами. Важность онтологического подхода в СУЗ обусловлена также тем, что знание, которое не описано и не тиражировано, в конечном счете становится устаревшим и бесполезным. Напротив, знание, которое распространяется, приобретается и обменивается, генерирует новое знание. В СУЗ знаниями считают всю доступную информацию (документы, сведения о заказчиках, описание технологий работы, продукции и т. д.), а также закономерности предметной области, полученные из практического опыта или внешних источников. Эти знания различаются в зависимости от отраслей индустрии и могут быть рассредоточены по всему предприятию. Одними из первых СУЗ были хранилища данных. В дальнейшем идея хранилища трансформировалась в понятие корпоративной памяти, которая содержит гетерогенную информацию из различных источников и обеспечивает доступ к ней для решения производственных задач. Корпоративная память фиксирует информацию из различных источников и делает эту информацию доступной специалистам для решения производственных задач (рис. 1). Разработка СУЗ. При разработке СУЗ выделяют следующие этапы: накопление — стихийное и бессистемное накопление информации в организации; извлечение — процесс, идентичный традиционному извлечению знаний для экспертной системы (один из наиболее сложных и трудоемких этапов, от его успешности зависит дальнейшая жизнеспособность системы); структурирование — на этом этапе должны быть выделены основные понятия, выработана структура представления информации, обладающая максимальной наглядностью, простотой изменения и дополнения; формализация — представление структурированной информации в форматах машинной обработки, то есть на языках описания данных и знаний; обслуживание — под процессом обслуживания понимается корректировка формализованных данных и знаний (добавление, обновление), удаление устаревшей информации, фильтрация данных и знаний для поиска информации, необходимой пользователям. На сегодняшний день созданы индустриальные системы централизованного управления распределенными хранилищами информации, представленной в любых форматах, в том числе изображения, файлы различных офисных приложений и систем CAD/CAM. При этом возникает естественный вопрос — откуда берутся эти знания? Источники знаний. Традиционным решением, широко применявшимся в ранних экспертных системах, было извлечение знаний из памяти эксперта. При этом применяются как пассивные методы (наблюдение, анализ протоколов работы, лекционные материалы), так и активные (анкетирование, интервью, экспертные игры и т. д.). Однако широко известна парадоксальная закономерность: по мере накопления опыта эксперт все больше утрачивает способность формализовать эти знания в виде, доступном неспециалисту. Именно поэтому работа с экспертами так сложна и дорога (к ней надо привлекать квалифицированных инженеров по знаниям), а главное — крайне трудоемка и требует значительного времени. В связи с этим для создания прикладных систем, основанных на знаниях, интерес представляют методы автоматизированного извлечения знаний из потоков данных, отражающих реальную работу специалистов в какой-либо ПрО и позволяющих обобщать и формализовать их опыт. Знания — совокупность сведений, отчетов, фактов, понятий, представлений о чем-либо, накопленных в результате обучения, опыта, в процессе деятельности. Корпоративные знания — знания, которые доступны организации в явном виде и могут использоваться для повышения эффективности сотрудниками данной организации. Хранилище данных — система хранения данных большого объема, реализуемая на основе БД разных типов и позволяющая объединять их в единый рабочий массив. DATA MINING Data Mining (в буквальном переводе с английского — «добыча данных») — это направление в ИТ, которое связано с автоматизированным извлечением знаний (неявным образом присутствующих в обрабатываемой информации) и базируется на интеллектуальном анализе данных. Мониторинг деятельности. В связи с совершенствованием технологий записи и хранения данных в электронной форме деятельность любого предприятия стала сопровождаться регистрацией и записью всех подробностей его деятельности, вследствие чего стали доступны потоки информации в самых различных областях. Специфика таких потоков данных заключается в следующем: данные крайне неоднородны, что требует различных средств для обработки (например для информации на естественном языке, мультимедийных данных от разнообразных датчиков, переработки количественной информации); объем данных крайне велик и постоянно возрастает; инструменты, предназначенные для анализа этих данных, должны быть доступны пользователю, не являющемуся профессиональным программистом или специалистом в ИТ (соответственно, полученные в результате анализа знания должны представляться наглядно и просто); необходимо обеспечить отчуждаемость от производителя, т. е. однажды извлеченные знания (правила, закономерности, связи) должны быть доступны всем пользователям (например в рамках корпоративной БЗ). Скрытые знания. В основе современной технологии Data Mining лежит концепция шаблонов, отражающих различные фрагменты взаимоотношений в данных. Важное свойство методов Data Mining — нетривиальность обнаруживаемых шаблонов, которые должны отражать неочевидные, ранее неизвестные регулярности в данных, составляющие так называемые скрытые знания (hidden knowledge). Примерами сфер приложения таких технологий являются анализ покупательской корзины в розничной торговле, прогнозирование изменений клиентуры, выявления мошенничества с кредитными карточками. Методы Data Mining позволяют выделить следующие типы закономерностей: последовательность (например после покупки объекта А в течение месяца с большой вероятностью следует покупка объекта Б); связь между событиями (например покупка объектов А и Б с большой вероятностью осуществляется одновременно); классификация (клиенты фирмы относятся к одной из групп с относительно постоянными потребностями и требованиями); кластеризация отличается от классификации тем, что сами группы заранее не задаются и выделяются непосредственно в процессе анализа; прогноз — построение временных рядов, отражающих динамику поведения целевых показателей. Text Mining. Так называется одна из подобластей Data Mining, которая ориентирована на обработку текстовой информации и широко применяется для мониторинга ресурсов Интернет. Задача Text Mining — проанализировать не синтаксис, а семантику значения текстов, выбрать из него информацию, наиболее значимую для пользователя (есть тесная связь с контент-анализом). Обычно выделяют такие приложения Text Mining: реферирование текстов на естественном языке; классификацию (тематическое индексирование) текстовых документов; кластеризацию текстовых документов и их фрагментов; построение онтологии текстового документа (основных терминов и связей между ними), например семантической сети; визуализация полученных знаний. Повторное использование. Data Mining — достаточно трудоемкий и дорогостоящий процесс, а получаемые в результате знания — ценный продукт. Поэтому одним из важных направлений является построение технологий и методов, направленных на обеспечение повторного использования этих знаний. Однако повторное использование знаний в различных контекстах невозможно без наличия механизмов, позволяющих фиксировать различное понимание этих знаний. Это связано с тем, что у каждого пользователя есть свое индивидуальное представление об окружающем его мире. Целостное представление о некоторой проблемной области позволяет дать ее онтологическая модель. Рассмотрим более детально, что такое онтология, и в каком смысле применяется этот термин сегодня в ИТ. Data Mining — процесс обнаружения значимых зависимостей и тенденций в результате интеллектуального анализа содержимого хранилищ и баз данных. Text Mining — совокупность технологий извлечения знаний из документов на естественных языках и их представления в необходимой пользователю форме. Контент-анализ — методика объективного качественного анализа содержимого информационных ресурсов. ЧТО ТАКОЕ ОНТОЛОГИЯ? Понятие онтология1 сейчас активно применяется в информатике и искусственном интеллекте. Этот термин пришел из философии, где обозначал часть метафизики — учение о всем сущем, о его наиболее общих философских категориях, таких как бытие, субстанция, причина, действие, явление. При этом онтология как наука претендовала на полное объяснение причин всех явлений. В инженерии знаний под онтологией понимается детальное описание некоторой проблемной области, которое используется для формального и декларативного определения ее концептуализации. Часто онтологией называют базу знаний специального вида, которую можно разделять, отчуждать и самостоятельно использовать в рамках рассматриваемой ПрО. Можно сказать, что онтология — это точная спецификация некоторой области, которая включает в себя словарь терминов этой области и множество логических связей (типа «элемент-класс», «часть-целое»), которые описывают, как эти термины соотносятся между собой2. Заметим, что при таком подходе понятие онтологии сильно пересекается с уже давно принятым в информатике и лингвистике понятием тезауруса. Онтологии позволяют представить понятия в таком виде, что они становятся пригодными для машинной обработки. Нередко онтологии используются в качестве посредника между пользователем и информационной системой, они позволяют формализовать договоренности о терминологии между членами сообщества, например между пользователями некоторого корпоративного хранилища данных. В центре большинства онтологий находятся классы, которые описывают понятия ПрО. Например, все информационные ресурсы Интернет, с одной стороны можно классифицировать как текстовые, графические, аудио, мультимедийные и т. д., а с другой — как платные либо бесплатные. Слоты (параметры) описывают свойства классов и экземпляров. Например, на уровне экземпляров классов информационные ресурсы можно описывать через такие слоты, как размер, имя, тематика, местоположение, протокол доступа и т. д. На формальном уровне онтология — система, состоящая из наборов понятий и утверждений об этих понятиях, на основе которых можно строить классы, объекты, отношения, функции и теории. Практически все модели онтологии содержат определенные концепты (понятия, классы), свойства концептов (атрибуты, роли), отношения между концептами (зависимости, функции) и дополнительные ограничения, которые определяются аксиомами. Концептом может быть описание задачи, функции, действия, стратегии, процесса соображения и т. п. Онтологические системы строятся на основе следующих принципов: формализации, т. е. описания объективных элементов действительности в единых, строго определенных образцах (терминах, моделях и др.); использования ограниченного количества базовых терминов (сущностей), на основе которых конструируются все остальные понятия; внутренней полноты и логической непротиворечивости. В отличие от обычного словаря для онтологической системы характерно внутреннее единство, логическая взаимосвязь и непротиворечивость используемых понятий. КЛАССИФИКАЦИЯ ОНТОЛОГИЙ Классифицировать онтологии можно по различным параметрам (в зависимости от того, с какой целью их классифицируют), например: по степени зависимости от конкретной задачи или прикладной области; по языку представления онтологических знаний и его выразительным возможностям; по уровню детализации аксиоматизации; по предметной области. Дополнительно к этим характеристикам можно ввести и классификации онтологии, связанные с разработкой, реализацией и сопровождением онтологии, но такая типизация более уместна при обсуждении вопросов реализации онтологических систем. По степени зависимости от конкретной задачи или предметной области обычно различают следующие онтологии (рис. 2). Верхнего уровня. Такие онтологии описывают наиболее общие концепты (пространство, время, материя, объект, событие, действие и т. д.), которые независимы от конкретной проблемы или области. Поэтому представляется разумным (по крайней мере, в теории) унифицировать их для больших сообществ пользователей. Примером такой общей онтологии является коммерческий проект онтологии CYC. Это база знаний, содержащая все общие понятия окружающего мира, которую могут использовать самые разные программные средства. По некоторым данным, в CYC уже представлены 10 концептов и 105 аксиом. Для представления знаний в рамках этого проекта разработан специальный язык CYCL. Ориентированные на предметную область. Во многих дисциплинах сейчас разрабатываются стандартные онтологии, которые могут использоваться экспертами по предметным областям (доменам) для совместного использования и аннотирования информации в своей области. Например, в области медицины созданы большие стандартные, структурированные словари, такие как SNOMED и семантическая сеть Системы Унифицированного Медицинского Языка (the Unified Medical Language System). Также появляются обширные общецелевые онтологии. Так, программа ООН по развитию (United Nations Development Program) и компания Dun&Bradstreet объединили усилия для разработки онтологии UNSPSC, которая предоставляет терминологию товаров и услуг (www.unspsc.org). Ориентированные на задачу. Это онтология, используемая конкретной прикладной программой и содержащая термины, которые используются при разработке ПО, выполняющего конкретную задачу. Она отражает специфику приложения, но может также содержать некоторые общие термины (например, в графическом редакторе будут и специфические термины — палитра, тип заливки, наложение слоев и т. д., и общие — сохранить и загрузить файл). Онтологии ПрО и онтологии задач описывают, соответственно, словари, которые относятся к определенной ПрО (например медицина, дистанционное обучение, Интернет-технологии) или типичной задаче (например диагностика, продажа). При этом они используют специализацию терминов, представленных в онтологиях верхнего уровня. Прикладные онтологии описывают концепты, которые зависят как от онтологии задач, так и от онтологии домена. Примером может служить онтология для автомобилей, строительных материалов, вычислительной техники. Онтология ПрО обобщает понятия, использующиеся в некоторых задачах домена, абстрагируясь от самих задач (так, онтология автомобилей независима от любых особенностей конкретных марок машин). ОНТОЛОГИЧЕСКИЙ АНАЛИЗ В основе онтологического анализа лежит описание системы (например корпорации) в терминах сущностей, отношений между ними и преобразование сущностей, которое выполняется в процессе решения определенной задачи. Основной характерной чертой этого подхода является, в частности, разделение реального мира на составляющие и классы объектов и определение их онтологий, или же совокупности фундаментальных свойств, которые определяют их изменения и поведение. Эти подходы и методологии базируются на следующих принципах проектирования и реализации онтологии. Ясность — онтология должна эффективно передавать смысл введенных терминов, ее определения должны быть объективны, а для их объективизации должен использоваться четко фиксированный формализм. Согласованность — все определения должны быть логически непротиворечивы, а те утверждения, которые выводимы в онтологии, не должны противоречить ее аксиомам. Расширяемость — необходимо проектировать онтологию так, чтобы ее словари терминов можно было расширять без ревизии уже существующих понятий. Минимум влияния кодирования — концептуализация онтологии должна быть специфицирована на уровне представления, а не символьного кодирования. Минимум онтологических обязательств — онтология должна содержать только наиболее существенные предположения о моделируемой ПрО, чтобы оставлять свободу расширения и специализации. Онтологический инжиниринг подразумевает глубокий структурный анализ предметной области. Приведем простейший алгоритм онтологического инжиниринга: выделение концептов — базовых понятий данной предметной области; определение «высоты дерева онтологий» — количество уровней абстракции; распределение концептов по уровням; построение связей между концептами — определение отношений и взаимодействий базовых понятий; консультации с различными специалистами для исключения противоречий и неточностей. Методология построения онтологии предполагает рассмотрение следующих важных вопросов: обозначение целей и области применения создаваемой онтологии; построение онтологии, которое включает: 1) фиксирование знаний о ПрО, т. е. определение основных понятий и их взаимоотношений в выбранной предметной области; создание точных непротиворечивых определений для каждого основного понятия и отношения; определение терминов, которые связаны с этими терминами и отношениями; 2) кодирование, т. е. разделение совокупности основных терминов, используемых в онтологии, на отдельные классы понятий; 3) выбор или разработку специального языка для представления онтологии; 4) непосредственно задание фиксированной концептуализации на выбранном языке представления знаний; совместное использование людьми или программными агентами общего понимания структуры информации; обеспечение возможности использования знаний ПрО; создание явных допущений в ПрО, лежащих в основе реализации; отделение знаний ПрО от оперативных знаний — это еще один вариант общего применения онтологий; анализ знаний в ПрО. МОДЕЛИРОВАНИЕ БИЗНЕС-ПРОЦЕССОВ Понятие онтологии и онтологического анализа вошли и в процедуры и стандарты моделирования бизнес-процессов. Ведь описание бизнес-процесса — это по сути структурирование данных и знаний. Существует много сложных формаций или систем, созданных и поддерживаемых человеком, таких как коммерческие предприятия, корпорации и т. д. Эти системы представляют собой совокупность взаимосвязанных между собой объектов и процессов, в которых определенные объекты тем или иным образом участвуют. Онтологическое исследование подобных сложных систем позволяет накопить ценную информацию об их работе, результаты анализа которой будут иметь решающее мнение при проведении процесса реорганизации существующих и построении новых систем. Для моделирования таких сложных систем разработан ряд методологий, например методологии семейства IDEF (Integrated DEFintion). IDEF содержит 14 государственных стандартов США, созданных в рамках предложенной ВВС США программы компьютеризации промышленности ICAM. Они предназначены для анализа процессов взаимодействия в производственных системах. Для поддержки онтологического анализа предназначена методология IDEF5. Онтологический анализ обычно начинается с составления словаря терминов, который используется при обсуждении и исследовании характеристик объектов и процессов, составляющих рассматриваемую систему, а также создания системы точных определений этих терминов. Кроме того, документируются основные логические взаимосвязи между соответствующими введенным терминам понятиями. Результатом этого анализа является словарь терминов, точных их определений и взаимосвязей между ними. Таким образом, онтология содержит совокупность терминов и правила, согласно которым эти термины могут быть скомбинированы для построения достоверных утверждений о состоянии рассматриваемой системы в некоторый момент времени. Кроме того, на основе этих утверждений могут быть сделаны соответствующие выводы, позволяющие вносить изменения в систему для повышения эффективности её функционирования. Процесс построения онтологии, согласно IDEF5, состоит из пяти основных действий: изучение и систематизирование начальных условий — это действие устанавливает основные цели и контексты проекта разработки онтологии, а также распределяет роли между членами проекта; сбор и накапливание данных — на этом этапе происходит сбор и накапливание необходимых начальных данных для построения онтологии; анализ данных — эта стадия заключается в анализе и группировке собранных данных ипредназначена для облегчения построения терминологии; начальное развитие онтологии — на этом этапе формируется предварительная онтология на основе отобранных данных; уточнение и утверждение онтологии — заключительная стадия процесса. В любой системе существуют две основные категории предметов восприятия: объекты, составляющие систему, и взаимосвязи между этими объектами, характеризующие состояние системы. На начальном этапе построения онтологии должны быть выполнены следующие задачи: создание и документирование словаря терминов; описание правил и ограничений, согласно которым на базе введенной терминологии формируются достоверные утверждения, описывающие состояние системы; построение модели, которая на основе существующих утверждений позволяет формировать необходимые дополнительные утверждения. Для поддержания процесса построения онтологии в IDEF5 разработаны специальные онтологические языки: схематический язык (Schematic Language-SL) и язык доработок и уточнений (Elaboration Language-EL). Язык SL (рис. 3) позволяет строить разнообразные типы диаграмм и схем в IDEF5. Основная цель всех этих диаграмм — наглядно и визуально представлять основную онтологическую информацию. Существуют четыре основных вида схем, которые используются для накопления информации об онтологии в прозрачной графической форме. диаграмма классификации (Classification Schematics) — обеспечивает механизм для логической систематизации знаний, накопленных при изучении системы; композиционная схема (Composition Schematics) — механизм графического представления состава классов онтологии, позволяющий описывать, что из каких частей состоит, т. е. наглядно отображать состав объектов, относящихся к тому или иному классу; схема взаимосвязей (Relation Schematics) — инструмент визуализации и изучения взаимосвязей между различными классами объектов в системе; диаграмма состояния объекта (Object State Schematics) — средство документации процессов с точки зрения изменения состояния объекта. Таким образом, диаграммы состояния в IDEF5 наглядно представляют изменения состояния или класса объекта в течение всего хода процесса. При построении концептуальной модели используются предметные знания в виде набора понятий и связывающих их отношений. Каждое понятие имеет имя и может иметь атрибуты, каждый атрибут может иметь значение с учетом специфики предметной области. Строение и свойства любой системы могут быть эффективно исследованы при помощи словаря терминов, используемых при описании характеристик объектов и процессов, имеющих отношение к рассматриваемой системе, точных и однозначных определений всех терминов этого словаря и классификации логических взаимосвязей между этими терминами. Набор этих средств и является онтологией системы, а стандарт IDEF5 предоставляет структурированную методологию, с помощью которой можно наглядно и эффективно разрабатывать, поддерживать и изучать эту онтологию. ПРОДОЛЖЕНИЕ — Онтологии в корпоративных системах. Часть II Об авторах: Гладун Анатолий Ясонович — канд. техн. наук, с.н.с. Международного НУЦ информационных технологий и систем НАНУ, Рогушина Юлия Витальевна — канд. физ-мат. наук, с.н.с. Института программных систем НАНУ. 1 От др.-греч, онтос — сущее, логос — учение, понятие. 2 Самый простой пример — классификатор в любой ИС (прим ред.).