CC BY-NC-ND
166
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
ОБ ОДНОМ МЕТОДЕ КЛАССИФИКАЦИИ
ВИЗУАЛЬНЫХ МОДЕЛЕЙ
Т.А. Гаврилова,
доктор технических наук, профессор, заведующий кафедрой информационных технологий в менеджменте, Высшая Школа Менеджмента, Санкт-Петербургский государственный университет
Д.В. Кудрявцев,
кандидат технических наук, руководитель направления управления знаниями Бизнес Инжиниринг Групп (ООО «КВФ «БИГ-СПб»), доцент Санкт-Петербургского государственного политехнического университета
И.А. Лещева,
старший преподаватель Высшей Школы Менеджмента, Санкт-Петербургский государственный университет
Я.Ю. Павлов,
младший научный сотрудник Высшей Школы Менеджмента, Санкт-Петербургский государственный университет
Адрес: Санкт-Петербург, Волховский пер., 3.
E-mail:gavrilova@gsom.pu.ru, dmitry.ku@gmail.com, leshcheva@gsom.pu.ru, yaroslav.pavlov@gmail.com
г
Важность визуальных представлений для лучшего усвоения материала в системах традиционного и дистанционного обучения очевидна. Такие графические модели облегчают понимание и коммуникации «преподаватель-студент». Хотя количество визуальных языков моделирования велико, выбор среди них зачастую случаен и необоснован. В статье описаны результаты исследования по созданию новой таксономии для выбора визуального языка в зависимости от типа представляемых знаний (аспектов предметной области). В основу предлагаемого подхода положена семантическая классификация визуальных языков и типов знаний. Одним из наиболее значимых результатов применения предложенного подхода являются практические рекомендации преподавателям по выбору подходящей визуальной нотации при преподавании общественно-политических и социально-экономических дисциплин. Также предложенный обзор и классификация могут быть полезны практикующим бизнес-
К
аналитикам для наглядного структурирования информации при моделировании компаний.
J
Ключевые слова: бизнес-моделирование, визуализация, таксономия, знания, бизнес-образование.
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г.
21
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Введение
Использование графики и визуализации в преподавании является традиционным и очевидным дидактическим приёмом. Некоторые науки принципиально основываются на визуальных представлениях (геометрия, география, частично физика и химия). Активно используются графические представления в современных науках об информации [1—4]. Однако в гуманитарных науках они используются пока достаточно редко. Исключением является менеджмент, где последние десятилетия активно внедряются языки моделирования бизнес-процессов, табличные представления и различные диаграммы. В менеджменте как междисциплинарной науке разные виды визуализации позволяют рассмотреть предметную область с различных сторон и точек зрения, используя на первый взгляд противоречивые, но, на самом деле, взаимодополняющие парадигмы.
Неконтролируемый рост информации вызвал появление новых направлений в науках по изучению процессов восприятия и обработки информации, связанных с визуализацией (инфографика, когнитивная графика, виртуальная реальность, и т.д.) [5]. Основная цель новых видов графической подачи информации — сделать сложные информационные массивы более простыми для восприятия.
Визуализация знаний играет важную роль при получении и передаче знаний [6—8]. Визуальные языки хорошо дополняют технологии онтологического (или концептуального) моделирования, делая содержимое онтологий понятным и наглядным не только для экспертов и аналитиков, но также и для новичков. Всё чаще визуальные языки моделирования используются в менеджменте [9], управлении знаниями [10], научных исследованиях [11], учебном процессе [12].
Как отмечает ряд профессионалов в области дистанционного образования, визуализация играет значительную роль для улучшения усвоения материала [13, 14]. Визуализация материала не только упрощает его восприятие, но и повышает вовлеченность учеников, чего сложно достигнуть при отсутствии прямого контакта с преподавателем.
На сегодняшний день существует достаточно большое количество языков моделирования. Однако палитра используемых на данный момент на практике языков моделирования ограничена, а выбор конкретного языка случаен и зачастую ошибочен. Пожалуй, в первую очередь это связано с от-
сутствием обобщающих принципов использования языков и их классификации. Существующая литература, а также программные продукты, предназначенные для создания визуальных моделей, предлагают неоднородные и достаточно запутанные классификации языков. Как исключение, можно упомянуть работы Бабкина и соавторов, в которых они проводят сравнительный анализ языков бизнес-моделирования [15, 16]. Однако набор рассматриваемых языков в данных работах достаточно ограничен.
Данная ситуация ограничивает распространение языков моделирования вне узкого круга специалистов (таких как, например, бизнес-аналитики) и делает задачу выбора конкретного языка сложной для широкого круга работников, в частности, преподавателей.
Ранее мы уже отметили, что менеджмент во многом является исключением из ряда гуманитарных наук, так как в нем используется широкий спектр визуальных моделей, многие из которых привнесены из технических и естественнонаучных дисциплин.
Целью данного исследования был анализ современных визуальных языков, и формирование новой классификации визуальных моделей, основанной на таксономии языков моделирования. Такая классификация впервые устанавливает взаимосвязь между типом знаний, которые нужно представить, и видом модели.
При анализе любой сложной предметной области требуется взгляд с разных точек зрения — необходимо представить ЧТО-, КАК-, ЗАЧЕМ-, ПОЧЕМУ-, КТО-, ГДЕ- и КОГДА-знания [17]. В данной работе мы ставим задачу создания новой классификации современных языков моделирования, которая поможет делать обоснованный выбор языка для наиболее адекватного представления знаний в бизнесе. Данная задача актуальна как для преподавателей, так и для широкого круга профессионалов из областей моделирования предприятия (enterprise modeling), аналитиков бизнес-архитетуры (business architecture), дистанционного обучения (distance learning), а также для широкого круга специалистов бизнес-информатики.
1. Классификация и метод выбора визуальных языков моделирования
Обзор современных языков моделирования и первые попытки их классификации показывают,
22
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
что на сегодняшний день не существует общепринятой в научном сообществе таксономии, так как для более чем ста языков моделирования предложено не менее 15 видов классификаций [9, 18]. Существует ряд профессиональных программных инструментов, например, Visio или SmartDraw, каждый из которых предлагает несколько десятков моделей. Классификации визуальных языков в таких инструментах недостаточно проработаны — используют различные основания деления на одном уровне и содержимое классов часто пересекается.
Мы предлагаем новую классификацию, основанную на неформальном описании типов знаний [19]. Такой подход предоставляет возможность подобрать визуальный язык моделирования для конкретной управленческой задачи. Для неформального описания типов знаний предлагается использовать вопросы проверки компетентности (competency questions) [20].
Рис. 1 иллюстрирует новую классификацию вопросов по типу знаний. Список вопросов может быть существенно расширен. Рис. 2 уточняет какие понятия и типы связей между ними относятся к тому или иному типу знаний. Классификация на рис. 3 представляет расширение классификации из работы [19] и сопоставляет наиболее распространённые в бизнес-приложениях визуализации
с предложенной типологией знаний. Данная классификация была получена путём семантического анализа метамоделей языков моделирования с использованием вопросов проверки компетентности и шаблонов проектирования онтологий [21].
Для успешного выбора метода визуализации необходимо ответить на несколько вопросов [7]:
♦ Какой тип знаний необходимо визуализировать?
♦ Какова цель визуализации знаний и для кого необходимо визуализировать знаний?
♦ В каких условиях это будет использоваться: место размещения, канал передачи, формат?
Данная статья устанавливает связь между ответом на первый вопрос и методом визуализации. Любой преподаватель или специалист (не профессиональный бизнес аналитик) ищет визуальный язык моделирования, обладая неформализованным пониманием своих потребностей и желая доходчиво отобразить свои знания. В таком случае можно предложить практический рецепт:
А). Из рис. 1 выбрать, какой вопрос наиболее точно отражает потребность и определить тип знаний. Уточнить выбор типа знаний можно с помощью рис. 2, оценив какие взаимосвязи необходимо отразить.
Зачем это нужно? Каково назначение объекта? Каков эффект от выполнения действия?
Что обеспечивает достижение данной цели?
Что это? Как устроен объект? Из каких частей состоит объект? Какие бывают разновидности объекта?
Что делает объект? Какие задачи решает объект? К какому типу относится рассматриваемый объект?
Как это работает? Как сделать это? Какова технология работы? Какое действие перед каким? Какое действие следующее? Какова последовательность действий? Каковы предусловия для выполнения действия?
Почему это произошло/происходит? Какова/-ы причина/-ы данной ситуации? Каковы последствия данной ситуации?
Кто что делает?
Кто является исполнителем?
Кто знает что-то/кого-то? Кто кому подчиняется? Кто кого слушает?
Кто кому доверяет?
Когда это произошло?
Какова продолжительность этого события? Каково время начала/окончания данного промежутка времени?
Когда появился/изменился/исчез объект?
Где расположен объект?
В каком регионе находится объект?
Рис. 1. Описание типов знаний с помощью вопросов проверки компетентности
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
23
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Цель
Условия
Передаваемые ресурсы Вспомогательные понятия
Входы/Выходы
Основные понятия
Основные типы связи
Основные понятия
Основные типы связи
Проблема
Состояние
Причина
Предпосылка
Должность
Индивид
Агент
Подразделение
выполняет
подчиняется
Время начала Время окончания Длительность Событие
Дата
Год
Месяц
имеет
продолжительность имеет время/дату начала/окончания
до/после
Регион
Основные понятия
Основные типы связи
Помещение
Координата
Подразделение
находится
Рис. 2. Общие элементы для языков моделирования и типов знаний
влияет
знает
Дерево целей Карта сратегий «Дорожная карта» (roadmap) Карты аргументов (argument maps) «Дерево текущей реальности (теория ограничений)_______
Концептуальная карта (concept map)
Причинно-следственная
диаграмма/
Диаграмма Ишикавы Карты аргументов (argument maps)
Карта сратегий
«Дерево текущей реальности» (теория ограничений)______
Диаграмма оргструктуры
Swim-lanes
Карты знаний
Социальные сети
ВИЗУАЛЬНЫЕ ЯЗЫКИ
МОДЕЛИРОВАНИЯ!
КОГДА-знания
Блок-схема алгоритма Диаграмма бизнес-процессов (IDEF, BPMN, EPC, swim-lene) Дерево решений Технологические карты «Дорожная карта»(roadmap)
.
А
-
/ / ✓ / / / /
Диаграмма Ганта
Сетевой график и PERT-диаграмма
«Дорожная карта» (roadmap)
Календарь
Генеологии
Расписание
Планировка помещения (цеха/офиса)
Привязка объеков к географической карте
Карты знаний
Рис. 3. Распределение визуальных языков моделирования по типам знаний
24
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Берлинское окно
Бифориум
Венецианское окно
«Бычий глаз»
По материалу -- изготовления рам и коробок
Деревянные
Алюминиевые
Поливинилхлоридные
Стеклопластиковые
Стальные
- По форме
в стене здания
Оконная коробка Створка |
Стеклопакет ПВХ плитка~]
Уплотнение створки
Уплотнение коробки
Уплотнение
стеклопакета
___Оконный
профиль
, Внутреннее заполнение
Система уплотнителей
Элементы запирания
Оконные ручки
Декоративные
элементы
- Фурнитура
Естественное освещение помещения/ внутреннего пространства
Рис. 4. Пример интеллект-карты
Б). Определить, какие визуальные языки можно использовать для представления требуемого типа знаний по рис. 3.
Далее следует анализ наиболее распространённых в бизнес-образовании визуальных дидактических моделей согласно предложенной классификации.
2. Обзор основных визуальных дидактических моделей ЧТО-знания
В обучении ЧТО-знания являются первоочередными. Классический способ преподавания предполагает, что сначала даётся определение изучаемого понятия, затем изучаются его свойства и лишь затем — взаимодействие с другими объектами или понятиями. Именно поэтому для визуализации ЧТО-знаний существует множество языков. Рассмотрим основные из них.
Интеллект-карты (mind maps) — один из наиболее простых способов отображения понятийных структур. Хотя автором идеи интеллект-карт считается Тони Бьюзен [22], в России похожий метод использовался в педагогике уже в 20-е годы [23]. Интеллект-карты — это иерархические диаграммы, используемые для представления идей, проектов, заданий, которые связаны с центральным ключевым понятием и организованы радиально вокруг него. Рис. 14 иллюстрируют понятие интеллект-карты (и-карты).
И-карты применяются, с одной стороны, с целью генерирования, структурирования и классификации идей, с другой стороны, с целью облегчения процесса обучения [24], процесса принятия решения [25 — 27] , а также при составлении различных документов [8].
Их можно использовать как для объяснения, так и для проверки усвоенного материала. В этом случае структура и-карты служит критерием понимания изучаемого предмета. Среди и-карт, созданных студентами, встречаются диаграммы, демонстрирующие частичное (или полное) непонимание дисциплины, что является обратной связью для преподавателя.
Благодаря упрощённому изображению идей в графическом виде и-карты используют для активизации «мозгового штурма» [28]. В образовательном процессе данная модель может быть полезна, например, при выполнении групповых проектов, анализе кейсов и т.д. [12].
На рис. 4 представлен пример и-карты для понятия «Окно» (предположим, это продукция компании), описывающий виды окон, их элементы и характеристики.
Поскольку и-карты позволяют представлять любые древовидные структуры, они могут использоваться не только для работы с ЧТО-знанием, но и для знаний других типов.
Если интеллект-карты демонстрируют понятия и древовидную структуру определённых фрагментов
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
25
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
виды------
ресурсное 1
Ское| Л._______________.
[ Общеобразовательные ОД^--------[Учащийся]
■................[ Студент ]
имеет свойства-
участники
□
ОУ Профессионального образования
______js' / ч и
( ФИ° J ^ [ Успеваимость ] £ [ Дата рожд.)
(Приб°р^0 [Инструменты]
Работники ОУ
виды
Педагогические Обеспечивающий
работники персонал
| Руководство J
Рис. 5. Пример концептуальной карты
знаний, то концептуальные карты (concept maps) позволяют глубже раскрыть рассматриваемый вопрос, благодаря поддержке сетевых структур и включению в модель отношений между понятиями.
Концептуальная карта представляется в виде графа, узлы которого отображают понятия (объекты или концепты), а направленные поименованные дуги, соединяющие эти узлы, — отношения (связи). Могут использоваться связи различного типа, например, «является», «имеет свойство» и т. п. На рис. 5 представлена концептуальная карта для системы образования города, разработанная в рамках Системного проекта г. Москвы [29].
Впервые концептуальные карты были предложены Новаком в начале 70-х гг. прошлого века при изучении детского мышления. Это исследование использовало идеи Д. Асубеля [30] о формировании понятийного мышления.
В процессе создания концептуальной карты преподаватель анализирует структуру отношений предметной области, что помогает ему самому глубже понять её природу. Визуальные спецификации в форме концептуальных карт широко при-
меняются в обучающих системах (e-learning) и в традиционном преподавании [31], а также при моделировании корпоративных баз знаний [1].
Поскольку концептуальные карты, как и интеллект-карты, не накладывают ограничений на семантику элементов диаграммы, то они также используются не только для работы с ЧТО-знанием, но и для знаний других типов.
ПОЧЕМУ-знания
Причины, которые привели к текущей ситуации, относятся к ПОЧЕМУ-знаниям. Самый распространённый способ их визуализации — причинноследственные диаграммы Итикавы (fishbone) [32]. В
области контроля качества диаграмма Ишикавы — это диаграмма, которая показывает отношение между показателем качества и воздействующими на него факторами. В частности, рис. 6 заимствован из стандарта по качеству Северной железной дороги — филиала ОАО «РЖД» — «Методика восьми шагов решения проблем качества технических средств железнодорожного транспорта».
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Рис. 6. Пример диаграммы Ишикавы «Причины хорошего или плохого качества результата»
Кроме того, данный тип диаграммы может служить для визуального описания истории компании (продукта, технологии и т.п.), разбивая её ход на определённые этапы и отмечая некоторые ключевые события.
Аналогичные вопросы приводят к построению дерева текущей реальности, разработанного в рамках теории ограничений Э.М. Голдратта [33]. Цель дерева — выявить основную причину фактора, который препятствует достижению цели. При по-
Рис. 7. Пример карты аргументов
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
27
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
строении дерева текущей реальности обычно начинают с наблюдения нежелательных эффектов (undesirable effects, UDE). Далее, в обратном порядке сопоставляются причины и следствия, пока не обнаруживаются первопричины нежелательных эффектов, определённых в начале.
Кроме того, можно выделить также и причинноследственную цепь (causal chain), которая помимо ответа на вопрос «почему это произошло», позволяет описать предполагаемые последствия. Если ранее описанные модели направлены в первую очередь на анализ текущей ситуации, то причинноследственная цепь удобна для анализа редких событий (rare events) [34]. В процессе обучения данная модель может эффективно использоваться как раз для анализа редких событий, таких как экономические кризисы, внедрение инноваций и т.п.
Ещё одним способом объяснения является карта аргументов, заимствованная из неформальной логики (см. рис. 7).
КАК-знания
Рассмотрим языки, позволяющие визуализировать ответы на вопросы «Как достичь цели?» или «Как решить проблему?».
Простым способом является графическое описание алгоритма решения задачи в виде блок-схемы. Это же представление можно использовать для визуализации процессов (рис. 8).
Для моделирования бизнес-процессов разработано множество нотаций (например, IDEF, BPMN, EPC), заимствующих идею блок-схем, но их обсуждение выходит за рамки данной статьи.
Иногда при моделировании процесса бывает полезно разбить состояния деятельности на группы, каждая из которых представляет собой элемент организации или определённый ресурс. Визуально каждая группа отделяется от соседних чертой (см. рис. 9), это похоже на плавательные дорожки в
Рис. 8. Схема процесса «Приобретение ПО через web-сайт»
бассейне, поэтому такие диаграммы называют swim lanes (плавательные дорожки).
Swimlane является визуальным элементом, используемых в процессе технологических схем, которые описывают, что или кто работает на определённой части процесса.
Теория ограничений, которая уже упоминалась в этом обзоре, даёт ответ на вопрос «как» в виде дерева перехода и плана перехода, иллюстрирующих каким образом можно осуществить переход из текущего состояния в желаемое, описанное деревом будущей реальности.
Дерево целей — это структурированная, построенная по иерархическому принципу совокупность целей, в которой выделены генеральная цель («вершина дерева»); подчинённые ей подцели последующих уровней («ветви дерева») [36]. Концепция «дерева целей» впервые была предложена Ч. Чёр-чменом и Р. Акоффом в 1957 году [37]. Важность подцелей по отношению друг к другу показывают коэффициенты значимости, которые отражают их
Рис. 9. Схема бизнес-процесса, на которой операции разнесены по отделам [35]
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Рис. 10. Дерево целей: снижение себестоимости
вклад в достижение конечной цели (рис. 10).
Дерево решений рассматривает не единственный способ решения некоторой задачи, а помогает осуществить выбор из совокупности альтернативных способов (рис. 11).
ЗАЧЕМ-знания
В результате стратегического анализа получаются ЗАЧЕМ-знания о предметной области. Для визуализации ЗАЧЕМ-знаний могут применяться методы визуализации КАК-знаний. В частности, дерево целей (рис. 10) будет давать ответ не столько на вопрос, как достичь основной цели, сколько показывать, зачем необходимы «подчинённые цели». В образовательном процессе эта модель полезна для описания программы курса, давая чёткое осознание необходимости частей материала для освоения всего курса.
Дерево решений (рис. 11) также помогает ответить на вопрос «зачем». Давая возможность сравнить между собой альтернативные решения проблемы и их результаты, дерево показывает, зачем делать именно так.
Карты стратегий [38] — инструмент стратеги -ческого управления, он позволяет устанавливать причинно-следственные связи между целями и структурировать цели по группам («перспективам»).
Кроме того, из теории ограничений можно позаимствовать диаграмму «дерево будущей реальности», показывающую иерархию прогнозируемых состояний системы и причинно-следственные связи между ними. Эта модель демонстрирует не только целевое состояние, но и пути его достижения. По сути, эта диаграмма также может использоваться и для представления КАК- и ЗАЧЕМ-знаний.
О низкие издержки О высокая скорость ввода О быстрое устаревание
О высокие издержки О низкая скорость ввода О новизна
О низкие издержки О очень высокая скорость выхода О высокий риск конкуренции О быстрое устаревание
О умеренные издержки О высокая скорость выхода О риск патентных исков О быстрое устареван
О высокая скорость выхода О приобретение дополнительных компетенций О высокие издержки
Рис. 11. Пример дерева решений «Выпуск нового продукта»
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
29
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Рис. 12. Визуализация связей типичной организации [40] КТО-знания
Знания о том, кто за что отвечает, обычно отображают в виде организационной диаграммы или в матрице ответственностей.
Также, на вопрос «Кто обладает знаниями в организации?» помогают ответить «плавательные дорожки» (см. рис. 9) и карты знаний. Карта знаний представляет собой изображение местоположения знаний, необходимых для работы. Она связывает три типа знаний — ЧТО-, ГДЕ- и КТО-в единую модель. Карта знаний показывает возможность интеграции разъединённых знаний (скрытых и явных), находящихся в базах знаний, в головах экспертов, внутри компании и даже за её пределами (у клиентов и партнёров). Это также инструмент обнаружения необходимых ресурсов и услуг [39].
Интересный способ визуализации КТО-знаний предлагает направление современной компьютерной социологии SNA (Social Network Analysis — анализ социальных сетей), которое занимается анализом возникающих в ходе коммуникации связей (сетей). Цель визуализации — выявление групп, а также тех, кто является связующим звеном между группами; тех, кто собирает группу; и тех, кто плохо вписывается в коммуникационную сеть (рис. 12).
КОГДА-знания
Традиционно информация о времени проведения мероприятий узнается из различного рода календарей и расписаний. Но они не дают возможности показать взаимосвязь большого количества событий. Для этого служат сетевые графики (или PERT-диаграммы).
Сетевой график — это граф, который служит для отображения последовательности работ, их связей и длительностей. Работы могут обозначаться как дугами (тогда вершины графа — этот состояния проекта), так и узлами (тогда дуги — это связи между работами). Но сетевой график не привязан к календарю и длительности работ никак не влияют на длины дуг. То есть сетевой график даёт ответ на вопрос, в каком порядке должны осуществляться действия, но не очерчивает временных рамок их реализации.
Решить обе вышеназванные задачи можно с помощью диаграммы Ганта, объединившей в себе календарь и сетевой график. Пример учебной диаграммы Ганта с отмеченным критическим путём показан на рис. 13. В образовательном процессе эти
Рис. 13. Пример расширенной диаграммы Ганта
30
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
диаграммы могут применяться для планирования курса, групповых проектов студентами и для решения других схожих задач.
Кроме того, для визуализации КОГДА-знаний можно использовать диаграмму Ишикавы. Некоторые варианты использования этих даграмм позволяет комбинировать ПОЧЕМУ-знания и КОГДА-знания. Такой подход особенно полезен при изучении истории организаций, развития событий и т.д.
ГДЕ-знания
Первые карты появились задолго до возникновения письменности. Поэтому неудивительно, что способы визуализации местоположения объектов столь широко развиты. Визуализация ГДЕ-знаний также активно используется в гуманитарных науках: исторические карты, карты из экономической географии. Особенно актуален этот тип знаний в современных ГИС (гео-информационных системах).
3. Ограничения и область применения подхода
Использование визуальных языков моделирования, выбираемых с помощью предложенного метода, имеет свои сложности и ограничения. Одним из проблемных вопросов в использовании графических языков является семантическая интероперабельность — различные пользователи могут по разному интерпретировать значения символов на диаграмме, различные языки моделирования могут иметь элементы с похожими названиями, но с разным смыслом, а также, наоборот, при схожести смысла понятий могут различаться по формулировкам. Для устранения данной проблемы используются унифицированные метамодели [41] или онтологии [42, 43]. На практике в данном случае полезны непротиворечивые демонстрационные примеры диаграмм, выполненных в соответствие с требуемой нотацией. Чем их больше, тем лучше. Пользователи понимают значения элементов визуального языка через примеры (экстенсиональные определения понятий).
Кроме того, для решения управленческих задач обычно нужна не отдельная диаграмма, а комплекс диаграмм, охватывающих разные типы знаний. Например, при оптимизации деятельности с помощью теории ограничений используются 5 взаимосвязанных типов диаграмм [44], а при проектировании
информационных систем — несколько моделей из нотации UML [45] или инструментария Archimate [46].
Наконец, не всегда диаграммы — это оптимальный способ представления знаний. В статьях [47, 48] было произведено сравнение матричных (табличных) представлений и наиболее популярных диаграмм вида «узел-связь». Гоньем М. (Ghoniem M., 2005) с соавторами [47] показал, что матрицы превосходят диаграммы в случае больших сильносвязанных графов в контексте нескольких задач чтения. Такие выводы поддерживаются экспериментами Келлера и его коллег [48], в результате которых было выявлено, что диаграммы «узел-связь» нагляднее для небольших структур, однако они становятся сложными для моделей больших систем.
Несмотря на вышесказанное, диаграммы являются полезным средством для представления знаний, однако нуждаются в поддерживающих механизмах. В частности, методы визуального моделирования необходимо сочетать с онтологическим инжинирингом и метамоделированием [49] для обеспечения семантической интероперабельности, с инженерией методов (method engineering) [50] и отраслевыми лучшими практиками для интеграции диаграмм со способами решения задач в различных областях, а также с неграфическими методами представления информации в ситуациях, когда последние более эффективны [51, 52].
4. Заключение
Все больше современных менеджеров и специалистов понимают важность проблемы структурирования и наглядного представления знаний. Визуализация позволяет наглядно показать изучаемые процессы, явления и понятия в тех случаях, когда непосредственное восприятие затруднено. Графические представления как метод компактной организации информации могут использоваться как мощное орудие мышления применительно ко всем областям интеллектуальной деятельности, включая моделирование предприятий, сложных организационных структур, а также процессы бизнесобучения.
В статье предложена новая классификация языков визуального моделирования, которая позволяет выбрать тип диаграммы в зависимости от типа знаний, которые необходимо представить. В статье также представлено описание типов знаний с помощью вопросов проверки компетентности,
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
31
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
а также выявлены общие понятия и отношения, характерные для каждого типа знаний и соответствующих языков. Данные описания вопросов проверки компетентности и общих элементов, с одной стороны, обосновывают распределение визуальных языков по типам, а с другой — помогают понять, в визуализации какого типа знаний есть потребность. Все вышеуказанные классифи-
кации и описания интегрированы в метод выбора языка визуального моделирования. Кроме того, в статье выявлены ограничения визуальных средств и предложены подходы по их устранению — интеграция с онтологическим инжинирингом, инженерией методов и отраслевыми лучшими практиками, а также с неграфическими средствами моделирования. ■
Литература
1. Загорулько Ю.А., Загорулько Г.Б. Онтологический подход к разработке системы поддержки принятия решений на нефтегазодобывающем предприятии // Вестник Новосибирского государственного университета, серия «Информационные технологии». — 2012. — Т. 10. — № 1. — С. 121-128.
2. Романовский Д.Ю., Кознов Д.В. Язык DRL для проектирования и разработки документации семейства программных продуктов // Вестник Санкт-Петербургского государственного университета, Серия «Информатика». — 2007. — № 4. — С. 110-122.
3. Рыбина Г.В. Инструментальные средства построения динамических интегрированных экспертных систем: развитие комплекса АТТЕХНОЛОГИЯ // Искусственный интеллект и принятие решений. — 2010. - №1. - C. 41-48.
4. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике: учеб.пособие: 3 изд., расширенное и доработ. — М.: СИНТЕГ, 2002.
5. Рапуто А.Г. Дескриптивное моделирование образного мышления при репрезентации дидактических объектов // Сборник «Ученые записки». Вып. 34. — М.: ИИО РАО, 2011. — С. 114-116.
6. Кознов Д.В. Методика обучения программной инженерии на основе карт памяти // Системное программирование. — 2008. — Вып. 3. — С. 121-140.
7. Eppler M., Burkhard R. Visual representations in knowledge management: framework and cases. // Journal of Knowledge Management. — 2007. — Vol. 11. — №4. — P. 112-122.
8. Margulies N., Valenza C. Visual Thinking Tools for Mapping Your Ideas. — Bethel, CT, USA: Crown House, 2005.
9. Lengler R., Eppler M. Towards a Periodic Table of Visualization Methods for Management. // Proceedings of the Conference on Graphics and Visualization in Engineering, 2007. — P. 1-6.
10. Кудрявцев Д.В. Системы управления знаниями и применение онтологий: учеб. пособие. — СПб.: Изд-во Политехнического ун-та., 2010.
11. Хорошевский В.Ф. Пространства знаний в сети Интернет и Semantic Web (Часть 3) // Искусственный интеллект и принятие решений. — 2012. — № 1. — C. 3-38.
12. Гаврилова Т.А., Лещева И.А., Страхович Э.В. Об использовании визуальных концептуальных моделей в преподавании // Вестник Санкт-Петербургского государственного университета, серия «Менеджмент». — 2011. — № 4. — C. 125-151.
13. Vallano E. How data visualization promotes eLearning through effective story telling // MindJet Blog. 16.02.12. URL: http://blog.mindjet.com/2012/02/how-data-visualization-promotes-elearning-through-effective-story-telling/ (дата обращения: 21.03.13).
14.Singh S. Why Visualization Matters in Elearning Courses? // CommLab India blog. 08.06.11. URL: http://blog. commlabindia.com/elearning/visualization-in-elearning (дата обращения: 19.03.13).
15. Бабкин Э.А., Князькин В.П., Шиткова М.С. Разработка метода проведения сравнительного анализа языков бизнес-моделирования // Бизнес-информатика. — 2010. — №3. — С. 41-46.
16. Бабкин Э.А., Князькин В.П., Шиткова М.С. Сравнительный анализ языковых средств, применяемых в методологии бизнес моделирования // Бизнес-информатика. — 2011. — №2. — С. 31-42.
17. Гаврилова Т.А., Яшин А.М. Некоторые аспекты методологии автоматизированного проектирования баз знаний // Научные труды СПбГТУ. — СПб.: СПбГТУ, 1995.
18. Lohse G.L., Biolsi K., Walker N., Rueter H.H. A classification of visual representations // Communications of the ACM. — 1994. — Vol. 37. — № 12. — P. 36-49.
32
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
19. Гаврилова Т.А., Гулякина Н.А. Визуальные методы работы со знаниями: попытка обзора // Искусственный интеллект и принятие решений. — 2008. — № 1. — С. 15-21.
20. Griininger M., Fox M. Methodology for the design and evaluation of ontologies // Proceedings of IJCAI 1995 Workshop on Basic Ontological Issues in Knowledge Sharing / Ed. D.Skuce. — Montreal: AAAI Press, 1995.
- P. 6.1-6.10.
21. Kudryavtsev D., Gavrilova T. Diagrammatic knowledge modeling for managers: ontology-based approach // Proceedings of International Conference on Knowledge engineering and Ontology Development, 2011.
- P. 386-389.
22. Бьюзен Т., Бьюзен Б. Супермышление / пер. с англ. Е.А. Самсонов. Минск: Попурри, 2003.
23. Глаголева Е.А. Трудности усвоения школьных навыков. — М.: Педагогика, 1926.
24. Chei C. C. The effect of concept mapping on students’ learning achievements and interests // Innovations in Education and Teaching International. — 2008. — Vol. 45. — № 4. — P. 375387.
25. Роэм Д. Визуальное мышление. Решение проблем и продажа идей при помощи картинок на салфетке / пер. с англ. О.И.Медведь. — М.: Эксмо, 2009.
26. Hyerle D. Visual Tools for Transforming Information Into Knowledge. — Thousand Oaks, CA: Corwin Press, 2009.
27. Jeffery A.B., Maes J.D., Bratton-Jeffery M.F. Improving team decision-making performance with collaborative modeling // Team Performance Management. — 2005. — Vol. 11. — № 1/2. — P. 4050.
28. Lim B.C., Klein K.J. Team mental models and team performance: A field study of the effects of team mental model similarity and accuracy // Journal of Organizational Behavior. — 2006. — Vol. 27. — № 4. — P. 403-418.
29. Костырко А., Кудрявцев Д., Григорьев Л., Кислова В., Жулин А., Синятуллина Л., Ермаков Р. Моделирование комплексов городского хозяйства для системного развития ИКТ города // Сборник трудов конференции «Инженерия знаний и технологии семантического веба — 2012». — СПб.: СПбГУ ИТМО, 2012. — С. 81-88.
30. Ausubel D.P. Educational psychology: A cognitive view. — New York: Holt, Rinehart and Winston, 1968.
31. Kinchin I.M., Hay D.B., Adams A. How a qualitative approach to concept map analysis can be used to aid learning by illustrating patterns of conceptual development // Educational Research. — 2000. — Vol. 42.
— № 1. — P. 43-57.
32.Ishikawa K. Guide to Quality Control. — Tokyo: Asian Productivity Organization, 1976.
33. Новак С. Бизнес-инструменты для производственного предприятия: от основ до высшего пилотажа / пер. с англ. Л.Ю.Смоляк; науч. ред. О.Ч.Шмигельский. — Минск: Гревцов Паблишер, 2008.
34. Christianson M.K., Farkas M.T., Sutcliffe K.M., Weick K.E. Learning Through Rare Events: Significant Interruptions at the Baltimore & Ohio Railroad Museum // Organization Science. — 2009. — Vol. 20. — №5.
— P. 846-860.
35. Леоненков А. Самоучитель UML. — СПб.: БХВ-Петербург, 2001.
36. Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б. Современный экономический словарь. — 5-е изд., перераб. и доп. — М.: Инфра-М, 2007.
37. Churchman C.W., Ackoff L.E. Introduction to Operations Research. — New York: Wiley, 1957.
38. Каплан Р.С., Нортон Д.П. Сбалансированная система показателей: от стратегии к действию / пер. с англ. М. Павлова. — 2-е изд., испр. и доп. — М.: Олимп-Бизнес, 2003.
39. Мариничева М.К. Управление знаниями на 100%: Путеводитель для практиков. — М.: Альпина Бизнес Букс, 2008.
40. Whelan E. It’s who you know not what you know: a social network analysis approach to talent management // European Journal of International Management. — 2011. — Vol. 5. — № 5. — P. 484500.
41. A Meta-Meta-Model for Seven Business Process Modeling Languages // Proceedings of2013 IEEE International Conference on Business Informatics, 2013. — P. 216-221.
42. Griininger M., Atefi K., Fox M.S. Ontologies to support process integration in enterprise engineering // Computational & Mathematical Organization Theory. — 2000. — Vol. 6. — № 4. — P. 381394.
43. Andersson B., Bergholtz M., Edirisuriya A., Ilayperuma T., Johannesson P., Gordijn J., Gregoire B., Schmitt M., Dubois E., Abels S., Hahn A., Wangler B., Weigand H. Towards a reference ontology for business models // Proceedings of 25th International Conference on Conceptual Modeling Conceptual Modeling (ER 2006). —
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
33
АНАЛИЗ ДАННЫХ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
Berlin / Heidelberg: Springer, 2006. — P. 482-496.
44. Детмер У. Теория ограничений Голдратта: Системный подход к непрерывному совершенствованию / пер. с англ. У.В. Саламатова. — 2-е изд. — М.: Альпина Бизнес Букс, 2008.
45. Буч Г., Рамбо Д., Джекобсон А. Язык UML. Руководство пользователя / пер. с англ. А.А. Слинкин. — 2-е изд. М.: ДМК Пресс; СПб.: Питер, 2004.
46. ArchiMate 2.0 Specification / M. Iacob, H. Jonkers, M. Lankhorst, E. Proper, D.A.C. Quartel // The Open Group Publications Catalog, 2009—2012. URL: http://pubs.opengroup.org/architecture/archimate2-doc/ (дата обращения: 10.02.2013)
47. Ghoniem M., Fekete J., Castagliola P. On the readability of graphs using node-link and matrixbased representations: a controlled experiment and statistical analysis // Information Visualization. — 2005. — Vol.
4. - № 2. - P. 114-135.
48. Keller R., Eckert C.M., Clarkson PJ. Matrices or node-link diagrams: which visual re-presentation is better for visualising connectivity models? // Information Visualization. — 2006. — Vol. 5. — P. 6276.
49. Кудрявцев Д.В. Онтологии и организационное моделирование: согласование терминологии // Труды Х Российской научно-практической конференции «Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями». — М.: МЭСИ, 2007. — С. 156-160.
50. Henderson-Sellers B., Ralyte J. Situational Method Engineering: State-of-the-Art Review // Journal of Universal Computer Science. — 2010. — Vol. 16. — № 3. — P. 424478.
51. Григорьев Л.Ю., Кудрявцев Д.В. Организационное проектирование на основе онтологий: методология и система ОРГМастер // Научно-технические ведомости СПбГПУ, cерия «Информатика. Телекоммуникации. Управление». — 2012. — №1. — С. 21-28.
52. Grigoriev L., Kudryavtsev D. Non-diagrammatic method and multi-representation tool for integrated enterprise architecture and business process engineering // Proceedings of 2013 IEEE International Conference on Business Informatics, 2013. — P. 216-221.
ЖДЕТ СВОИХ пользователей новый уникальный в мировой практике
Универсум связей между русскими словами CrossLexica
♦ К сверхбольшому компьютерному словарю, по объему уже не воспроизводимому в печати, обращается либо человек - интерактивно, либо внешний софт - программно.
♦ Словарь предельно политематичен: от математики и философии до политики, спорта, строительства, кулинарии, автомобилей, моды и бранной лексики, допущенной Госдумой.
♦ Включает информацию как языкового, так и энциклопедического характера.
♦ Беспрецедентен по объему: 295 тыс. элементов словника и 8.3 млн. связей между ними: 4.7 млн. связей в словосочетаниях, 2.8 млн. смысловых связей и 0.8 млн. связей внешнего сходства слов. 47% элементов словника сами состоят из нескольких слов.
♦ Объединяет в себе словари словосочетаний, синонимов, антонимов, паронимов, словоизменения, тезаурусных иерархий, глагольно-именного управлени и др.
♦ Рассчитан на любой класс пользователей - на ученого, преподавателя, инженера, журналиста, бизнесмена, военного, студента, школьника, пенсионера, домохозяйку.
♦ Обучает грамотному русскому языку как русскоговорящего, так и иностранца.
♦ Обеспечивает доступ иностранцу еще и через английские переводы словника
♦ Быстро выбирает WEB-запрос из наличных миллионов, посылая его в Google /Яндекс
♦ Отвечает на запросы с клавиатуры и те, что возникают при навигации по словнику
♦ Размещается в ОП любого компьютера, запускается под Windows XPи Windows 7.
♦ Не повторяя существующие толковые словари, способен поднять как интерактивную, так и автоматическую обра ботку русских текстов на уровень, ныне не достижимый.^^
На эксклюзивную продажу выставляется пакет:
текущая версия, исходная текстовая база, грамматические таблицы, утилиты морфоклассификации слов и сборки рабочей версии, коды интерфейса с человеком и компьютером, технология правки и пополнения базы.
Автор и владелец: доктор наук профессор ИГОРЬ АЛЕКСЕЕВИЧ БОЛЬШАКОВ.
Контакт: iabolshakov@gmail.com Подробнее: см. статью в номере 3(25) за 2013 г.
34
БИЗНЕС-ИНФОРМАТИКА №4(26)-2013 г
