CC BY
23
Каныгин Г.В., Полтинникова М.С.
ВИЗУАЛЬНОЕ ПРЕДСТАВЛЕНИЕ НЕЯВНОГО ЗНАНИЯ В «УМНЫХ» ТЕХНОЛОГИЯХ INDUSTRY 4.0
Аннотация. В основе затруднений при взаимодействии человека и машины в составе «умной» технологии оказывается проблема неполноты выражения человеком неявного знания. В статье описан структурный механизм, который, будучи реализован в составе современных технологий Industry 4.0, позволяет человеку выражать неявное знание путем привычного формулирования естественно-языковых высказываний и, в то же время, создает новые возможности организации процессов принятия управленческих решений на принципах командной работы.
Ключевые слова. Управление знаниями; неявное знание; визуализация; умные технологии; Industry 4.0; графовые контекстно-ориентированные онтологические методы
Kanygin G.V., Poltinnikova M.S.
VISUAL REPRESENTATION OF TACIT KNOWLEDGE IN «SMART» TECHNOLOGIES OF INDUSTRY 4.0
Abstract. At the heart of the difficulties in the interaction of man and machine as part of "smart" technology is the problem of incomplete expression by man of implicit knowledge. The article describes a structural mechanism that, being implemented as part of modern Industry 4.0 technologies, allows a person to express implicit knowledge through the habitual formulation of natural language statements and, at the same time, creates new opportunities for organizing management decision-making processes based on the principles of teamwork.
Keywords. Knowledge management; tacit knowledge; visualization; smart technologies; Industry 4.0; graph context-oriented ontological methods
Введение
Актуальной тенденцией современного теоретического описания социально-экономических систем, характеризуемых огромными объемами данных (big data), являются интеллектуальные (smart, «умные») технологии [22]. Сегодняшние исследования в рамках «умных» технологий - это отнюдь не сугубо компьютерные изыскания. Современный «умный город» это не город, управляемый цифровыми технологиями. Восприятие «умного города» как интеграции различных «умных сетей», когда технологиям Интернета вещей отводится главенствующая роль, серьёзно расходится с современными взглядами. Концепция «умного города» предполагает учет интересов и включенность в процессы принятия решений всех участников городского сообщества, в том числе людей с различным уровнем образования, неодинаковым уровнем доходов, резидентов и лиц, временно пребывающих на территории города. Выявление потребностей граждан, возможностей и проблем функционирования в городской среде первично [27].
ГРНТИ 06.81.23
© Каныгин Г.В., Полтинникова М.С., 2020
Геннадий Викторович Каныгин - доктор социологических наук, ведущий научный сотрудник Социологического института - филиала ФНИСЦ РАН.
Мария Сергеевна Полтинникова - кандидат физико-математических наук, старший научный сотрудник Социологического института - филиала ФНИСЦ РАН.
Контактные данные для связи с авторами (Каныгин Г.В.): 190005, Санкт-Петербург, ул. 7-я Красноармейская, д. 25/14 (Russia, St. Petersburg, Krasnoarmeyskay str., 25/14). Е-mail: g.kanygin@gmail.com. Статья поступила в редакцию 01.08.2020.
Технические средства и технологии интеллектуальной, цифровой поддержки социально-экономических взаимодействий в «умной среде» - это инструмент разрешения выявленных проблем, жизненных ситуаций, неоднозначных практик в таких процессах как производство, распределение, обмен, потребление [4]. Одной из важнейших составляющих «умного города» являются «умные граждане» (smart citizens) и только они могут сделать возможным существование лучших версий таких городов [6; 18]. Тем самым, городские социально-экономические процессы - суть постоянное взаимодействие между местным властями и «умными» гражданами [8; 9].
В настоящее время все большее исследовательское внимание привлекает новый экономический феномен, получивший название Industry 4.0 [11; 12; 25; 30]. С одной стороны, Industry 4.0 - это конгломерат «умных объектов» (smart objects), взаимодействующих в составе «умных» сетей (smart grids). Иначе говоря, это постоянно расширяющаяся совокупность взаимопересекающихся технологий, таких как: Интернет вещей, Интернет услуг, мультиагентных систем, систем дополненной реальности и других на основе доступности вычислительных ресурсов, средств коммуникации и хранения информации. С другой стороны, Industry 4.0 - это взаимодействие людей посредством компьютерных технологий [14].
В работе [7] предложена концептуальная модель функционирования Industry 4.0. Модель объединяет в единую картину функционирования социального знания (knowledge dynamics in the industry 4.0) взаимодействие компьютерных агентов (computer agent) и реально существующих акторов (human actor). В качестве последних физически могут выступать как отдельные индивиды, так и их разнообразные сообщества, например, бизнес-структуры, профессиональные ассоциации, инициативные группы. Однако концептуальная модель, продемонстрированная Dragicevic и соавторами, основывается на противоречивом процессе выражения человеком своего неявного знания. Как раз этот процесс выражения человеком своего индивидуального неявного знания остался за рамками концептуальной модели, построенной Dragicevic и соавторами. Модель такого процесса заменена рассуждениями о различиях человеческого (human) и машинного (computer) знания [7], что предполагает владение пользователем «умной» технологии некой специфической терминологией.
Для уменьшения уровня требований к квалификации пользователя, мы предлагаем использовать графовые контекстно-ориентированные онтологические (ГКОО) методы, которые позволяют коллективу пользователей, не владеющих языками спецификаций, строить онтологию предметной области [3] из фрагментов своего знания: явного и латентного. Основные формальные структуры ГКОО методов представлены в [2] и получили развитие в [13]. Методики применения ГКОО методов для концептуализации текстов разных видов проиллюстрированы в [1].
В первой части данной статьи нами обсуждаются проблемы выражения латентного знания различными акторами социальных процессов. Во второй мы объясняем на примере, каким образом выражение латентного знания, осуществляемое каждым актором индивидуально в виде множества словесных высказываний, может быть упорядочено за счет специальной контекстно-ориентированной техники связывания высказываний. Латентное знание в умных технологиях
Классик социальной методологии П. Лазарсфельд ввел в научный оборот термин imagery, который обозначает смутное представление исследователя о чем-либо, что предшествует его научным определениям (цитировано по [26]). В современных дискуссиях по проблемам управления знаниями идея imagery приняла вид разделения знания о чем-либо на неявное (латентное, неэксплицитное, неформальное, tacit) и явное (эксплицитное, формальное, explicit) [5; 10]. Впервые такое разделение было предложено М. Поланьи в виде концепции дуального знания [23; 24].
Участники современных дискуссий отмечают две ключевые особенности неявного знания (как синоним - латентные представления) человека. Во-первых, такое знание неотделимо от его носителя [17; 19; 29]. Во-вторых, такое индивидуализированное неявное знание зависит от контекста и трудно формализуемо [10]. В работах по управлению знаниями контекст понимается как общие условия различной природы (материальной, экономической, психологической и др.), в рамках которых функционирует наблюдаемый социально-экономический феномен. В частности, таким феноменом может оказаться частная национальная компания [20] или государственное транспортное агентство [21]. В качестве «контекстных» характеристик функционирования знаний, расширяющих границы подобных соци-
ально-экономических феноменов, исследователь может рассмотреть разнообразные, заранее неизвестные внешние факторы. Так, в работе [15] выявлены факторы доверия и сотрудничества (trust and cooperation), влияющие на приемы обмена знаниями (sharing knowledge) внутри организации. В работе [16] в качестве аналогичных факторов указаны доверие и репутация (trust and reputation).
Мы предлагаем разработчикам «умных» технологий в качестве средств выражения неявного знания их акторами использовать методы, сочетающие две ключевые особенности. Во-первых, методы не должны ограничивать акторов в использовании естественного языка для описания любых процессов, поддерживаемых с помощью «умных» технологий. Во-вторых, методы должны давать в распоряжение рядовых носителей естественного языка средства командной работы, доказавшие свою эффективность в практике программирования.
За счет такого сочетания мы надеемся, с одной стороны, облегчить для участников социальных процессов выражение их неявного знания. А с другой - поставить усилия акторов по созданию социально-экономической информации с помощью естественного языка под «концептуальный» контроль со стороны «умных» технологий. Причем такой контроль мы связываем не с технологическим регламентированием интерфейсов или экранных форм, в рамках которых индивидуальным пользователям предписывается вводить данные о себе; такой контроль должен признаваться самим человеком как практическая необходимость выражать любые свои мысли о социальных, экономических или иных процессах через взаимодействие с другими акторами этих процессов.
Предлагаемые методы не должны зависеть от «масштабов» выражаемого знания и его природы. В то же время, как выше отмечено, любые методы выражения неявного знания зависят от контекста. Ставя своей целью в рамках данной статьи изложение основных идей реализации заявляемых методов, мы рассматриваем в качестве контекста известную социальную ситуацию - написание научной статьи. Рассмотрение знакомой ситуации вместо масштабного поля Industry 4.0 позволяет любому человеку на своем «камерном» опыте ощутить сложность и постепенность выражения своих латентных представлений. В контексте этой «публикационной» задачи изложены методы, с помощью которых исследователь, рассматриваемый нами как носитель неявного знания, получает возможность выражать его непосредственно в виде графов специального вида, явно передающих смысловые связи, подлежащие экспликации. Формальный аппарат ГКОО методов
Простейшее аналитическое обозначение, называемое понятием, представляет собой слово или словосочетание естественного языка. Будем обозначать понятие буквой с индексом, например, tn. В тексте мы будем употреблять слово концепт в качестве синонима понятия. Понятие представляет собой словосочетание естественного языка, с помощью которого носитель знания выражает какой-либо его аспект. Для носителя знания понятие - это совокупность речевых коннотаций, которые с той или степенью отчетливости ощущаются им самим как его собственное неявное знание. Такие коннотации существуют только «в голове человека» [29], в силу чего оказываются скрытыми от других индивидов.
Далее, для краткости, явление, обозначаемое человеком с помощью понятия, мы будем называть объектом. Практика подсказывает, что для понимания действий другого каждому человеку придется вводить совокупность понятий, выражающих собой разные объекты и связи между ними. Совокупность таких понятий, возникающих у каждого актора совместной практики, назовем словарем. Словарь — это неупорядоченное множество понятий V=(t1,t2,...,tq}, где q - количество понятий в словаре. Далее, потребуем, чтобы при обозначении объекта автор онтологии (далее - автор) явно указывал ситуацию (или другой объект), в которой (относительно которого) он рассматривает новое аналитическое обозначение. Это требование приводит к тому, что обозначение любого объекта реализуется упорядоченной парой понятий множества V: первое понятие пары указывает на объект, второе же идентифицирует ситуацию или еще что-то, относительно чего этот объект рассматривается с точки зрения носителя знания (автора обозначений). Первое понятие пары будем называть термином, а второе контекстом. Пару обозначим буквой p, а множество упорядоченных пар - P. Требуется, чтобы процесс разъяснения одних понятий через другие проводился всегда в виде таких пар.
Простейшая структура, с помощью которой автор связывает пары понятий, создавая основу дальнейших определений, называется ветвлением. Ветвление представляет собой двухуровневое ориентированное дерево с вершинами из множества P: корневой вершинойp0=(tx,ty) и листьямиpi=(txi,ty1), ...,
Р.=((х.5,у) или единственную вершину в вырожденном случае. Для ветвления Е в случае дерева будем использовать обозначения: Е: р^(ръ...,рь} или Е: здесь 5 — количество
вершин на втором уровне, 5<д. В случае отдельной вершины: Е: р^{...} или Е: (х,у)^-(...}. Пару (Ъ,^) назовем головной, а пару ^хк^ук) - разъяснением, а множество пар (^хк^ук)}, к=1,...,,5, - множеством разъяснений. Тогда (х - термин головной пары, (у - контекст головной пары, х — термин разъяснения, у - контекст разъяснения. Сделаем важное замечание: одно и то же понятие может входить как термин в различные головные пары с разными контекстами, за счет чего реализуется многозначность понятий.
Ветвления, в которые входит данное понятие, мы называем его локальными связями или локальными отношениями. Когда автор знания определяет понятия, связывает их в пары и создаёт локальные отношения между парами с целью описать что-либо, он занимается концептуализацией. Обозначим множество ветвлений, созданное автором на каком-то этапе концептуализации, буквой е. Из множества е, как из набора кубиков Лего, можно конструировать разнообразные связные структуры. Причем такое конструирование может выполняться алгоритмически. В частности, ниже объяснен на примерах алгоритм построения терминологического графа (Т-графа), который выражает собой связную часть локальных отношений, представленных во множестве ветвлений. Этот алгоритм, начиная с некоторого ветвления, указываемого пользователем, строит граф, связывающий понятия головной пары этого ветвления с другими понятиями, представленными пользователем в составе множества е.
Эвристические основания терминологического графа
Выше мы определили понятие ветвление с помощью текста, разъясняющего этот концепт через другие понятия и отношения между ними. Рассмотрим то же определение концепта ветвление в виде графа, который явно представляет все понятия, используемые в данном определении (см. рис. 1). С помощью узлов этого графа носитель знания однозначно идентифицирует понятия, а пути из корневой вершины в листья наглядно выражают собой связи вводимых аналитических обозначений.
На рис. 1 показан граф 1, который решает задачу явного определения ранее неизвестного понятия ветвление через уже знакомые обозначения, общий случай, двухуровневое ориентированное дерево и др. Однако, это наглядное решение обладает принципиальным недостатком: с графом 1 трудно работать при сколько-нибудь значительном увеличении числа понятий. Поэтому мы предлагаем первоначально задавать не отдельные вершины, а небольшие структуры, представляющие единичные переходы от понятия к его потомкам. Каждый такой переход ввиду своей обозримости не затрудняет работу автора, а единый граф определений генерируется алгоритмически, избавляя человека от необходимости оперировать структурами с большим числом узлов.
Рис. 1. Структура словесного определения понятия ветвление в виде графа, составленного из единичных концептов
Поясним, каким образом привычный граф 1 можно представить в виде декомпозиции отдельных ветвлений и как такое представление помогает при оперировании графами больших объемов. В качестве первого шага построим граф со структурой как на рис. 1, объединяя понятия в пары. Для этого в каждой вершине графа 1 заменим термины на пары с одним и тем же контекстом «ГКОО методы». Этим действием мы уточняем, что все термины, показанные на графе 1, понимаются нами в контексте графовых контекстно-ориентированных онтологических методов. Результат такого преобразования показан на рис. 2. От выполненного преобразования наглядность графа 1 никак не пострадала: граф 2 по-прежнему ясно выражает собой структурное определение концепта ветвление, никак не проигрывая в наглядности графу 1. Более того, граф 2 явно показывает, что все термины графа 1 подразумевают один и тот же контекст. Можно считать, что граф 1 представляет собой сокращенный вариант графа 2, в котором контекст вынесен за рамки рисунка. Задавая контекст, мы, тем самым, реализуем возможность иметь дело с многозначными понятиями.
Рис. 2. Аналог «ручного» определения концепта ветвление, составленный из пар понятий, имеющих один и тот же контекст «ГКОО методы»
Далее мы не хотим, чтобы контексты возникали вдруг и из ниоткуда. Для этого потребуем, чтобы все вводимые вновь контексты, за исключением самого первого, удовлетворяли правилу контекстной определённости: понятие, которое допустимо в качестве контекста, должно встречаться в предыдущих узлах Т-графа или в качестве термина, или в качестве контекста. Например, в графе 2 мы можем уточнить контексты, заменив контекст «ГКОО методы» на другие в соответствии с правилом контекстной определённости. Так, в узле 2 графа 2 контекст «ГКОО методы» можно формально заменить на контекст «ветвление» и т.д.
В отличие от нашего демонстрационного случая, в котором множество е создано на основе связной структуры терминологического графа, автор создает ветвления «из головы», в структурно разрозненном виде. Таким образом, он описывает что-либо, что он мог бы описать или уже описал в тексте. Этот неформальный процесс перевода человеком собственного знания в его эксплицитное представление, будь то текст, будь то множество ветвлений, на практике оказывается непростым делом. В этом процессе легко ошибиться, называя разные аспекты описываемых ситуаций одними и теми же понятиями и, наоборот, описывая в одних тех же терминах разные ситуации. И число подобных ошибок неконтролируемо возрастает, когда количество понятий увеличивается.
Для того, чтобы ассистировать человеку в получении единого знания, составленного из словесных описаний разных ситуаций, мы предлагаем строго разделять, с одной стороны, работу носителя знания по словесному выражению своего опыта относительно конкретных ситуаций, в которых он оказывается свидетелем или экспертом. С другой - алгоритмическое формирование единого графа знания из множества отдельных словесных высказываний, описывающих многообразие ситуаций, подлежащих единому описанию. Каким образом реализуется такое предложение подсказывает граф на рис. 3. Человек выражает свое знание в виде локальных связей отдельных высказываний (обведены пунктирной линией). Получив такое представление от человека, компьютер алгоритмически строит единый граф, основываясь на структуре рис. 3.
Рис. 3. Схема человеко-машинного определения концепта ветвление, учитывающая семантику ручного построения графа 1 и позволяющая алгоритмически генерировать единое знание в составе «умных» технологий
Предложенная схема позволяет согласовать, с одной стороны, неформальное выражение человеком своего неявного знания с помощью словесных высказываний. С другой - при своей программной реализации значительно упрощает согласование смыслов индивидуальных высказываний в ходе коллективной практики.
Дискуссия
Мы объяснили процедуру использования методов, которые позволяют носителю знания проявлять его в виде графовой структуры. Ключевая особенность предложенного визуального выражения индивидом знания состоит в соединении в одной инструментальной процедуре неформального использования естественного языка и аналитического контроля связности естественно-языковых утверждений. Эта процедура включает в себя, с одной стороны, естественно-языковое описание чего-либо, выполняемое в виде отдельных высказываний, с помощью которых носитель знания выражает отдельные аспекты своего знания. С другой стороны, граф, генерируемый на основе совокупности таких описаний, представляет их как единую структуру.
Таким образом, смысловая структура создается как итог человеко-машинного процесса выражения человеком знания, представленного текстом или сформулированного устно, в виде словесных обозначений. Кроме того, такое выражение оказывается проверяемым на связность, что создает «концептуальное давление» на человека при неформальном выражении им смыслов, спрятанных в «его голове». Алгоритмы, осуществляющие такую проверку, используют только общенаучный принцип контекстной обусловленности обозначений и не ограничивают человека в использовании естественного языка при представлении им своего знания в словесном виде.
Пользователь ГКОО методов предъявляет свое знание с помощью словесных высказываний на тех же интуитивно понятных основаниях, которыми он привык незаметно для себя пользоваться при работе с любым текстом. Для того, чтобы структурировать свое знание в виде графов, от пользователя не требуется освоения формального языка спецификации, например, иМЬ [28]. Используя ветвления, можно распараллелить концептуальную работу по формированию визуального знания большого объема путем относительно независимого создания и редактирования самостоятельных фрагментов знания. Такая концептуальная фрагментация может проводиться как одним автор ом, так и их сообществом.
Поэтому ГКОО методы могут рассматриваться как процедура построения единой структуры знания. Создание структуры естественно-языковых высказываний в дополнение к текстовому описанию
означает возможность дальнейшего развития ГКОО методов путем разработки средств, широко практикуемых в современной информационной экономике: запросов, вычислений на отдельных структурах данных (файлах, таблицах, графах и т.п.), накопления и редактирования информации, командной работы и многих других.
Заключение
Наиболее важной особенностью развиваемых ГКОО методов мы считаем возможности «социального контроля» аналитических действий при определении исследовательских понятий, формировании и использовании управленских процедур, работе с большими массивами нормативных документов и пр. Визуальное представление их связей проявляет концептуальные структуры, подразумеваемые исследователем в процессе написания текста, менеджером в процессе управления, законодателем в ходе совершенствования нормативного поля и т.п. Такое проявление семантики обозначений принципиально облегчает неформальный контроль аналитических утверждений актора как им самим, так и со стороны лиц, отслеживающих логику его концептуальных построений.
ЛИТЕРАТУРА
1. Каныгин Г., Полтинникова М., Корецкая В. Концептуальное обобщение социологических данных // Телескоп. 2019. № 3. С. 41-47.
2. Каныгин Г.В., Полтинникова М.С. Контекстно-ориентированные онтологические методы в социологии // Труды СПИИРАН. 2016. № 5(48). С. 107-124.
3. Каныгин Г.В., Хорева Л.В. Инновационный взгляд на сферу услуг: онтологии сервиса // Известия Санкт-Петербургского государственного экономического университета. 2016. № 5 (101). С. 78-85.
4. Плотников В.А. Цифровизация как закономерный этап эволюции экономической системы // Экономическое возрождение России. 2020. № 2 (64). С. 104-115.
5. Расков В.Е. Управление знаниями как самостоятельная область исследований: основные дискуссионные вопросы // Вестник Санкт-Петербургского университета. Менеджмент. 2007. Вып. 3. С. 34-58.
6. Allessie D. Only Smart Citizens can enable true Smart Cities. [Электронный ресурс]. Режим доступа: https://www.citizenlab.co/blog/smart-cities/smart-citizens-can-enable-true-smart-cities (дата обращения 01.07.2020).
7. Dragicevic N., Ullrich A., Tsui E., Gronau N. A conceptual model of knowledge dynamics in the industry 4.0 smart grid scenario // Knowledge Management Research & Practice. 2020. Volume 18. Iss. 2. P. 199-213.
8. Flores C.C., Rezende DA. Twitter information for contributing to the strategic digital city: Towards citizens as co- managers // Telematics and Informatics. 2018. Vol. 35. Iss. 5. P. 1082-1096. https://doi.org/10.1016/j.tele.2018.01.005
9. Ghosh G., Banerjee S., Yen N. State transition in communication under social network: An analysis using fuzzy logic and Density Based Clustering towards big data paradigm. Future Generation Computer Systems. 2016. Vol. 65. P. 207-220. https://doi.org/10.1016/jiuture.2016.02.017.
10. Mohajan H. Sharing of Tacit Knowledge in Organizations: A Review // American Journal of Computer Science and Engineering. 2016. Vol. 3. Iss. 2. P. 6-19.
11. Hermann M., Pentek T., Otto B. Design principles for Industrie 4.0 scenarios // 49th Hawaii International Conference on System Sciences (HICSS). Koloa, HI, 2016. P. 3928-3937.
12. Kagermann H., Lukas W.D., Wahlster W. Industrie 4.0: Mit dem internet der dinge auf dem weg zur 4. industriellen revolution // VDI Nachrichten. 2011. № 13.
13. Kanygin G.V., PoltinnikovaM.S. The graph context-oriented ontological methods // Cloud of science. 2019. V. 6. № 2. P. 246-264.
14. Leitao P., Karnouskos S., Ribeiro L., Lee J., Strasser T., Colombo A.W. Smart agents in industrial cyber-physical systems // Proceedings of the IEEE. 2016. Vol. 104. Iss. 5. P. 1086-1101.
15. Lucas L. The Impact of Trust and Reputation on the Transfer of Best Practices // Journal of Knowledge Management. 2005. Vol. 9. Iss. 4. P. 87-101.
16. Majewska M., Szulczynska U. Methods and Practices of Tacit Knowledge Sharing Within an Enterprise // An Empirical Investigation, Oeconomia Copernicana. 2014. Vol. 5. Iss. 2. P. 35-48.
17. Masaru O. Reflection of Tacit Knowledge // The 34th Annual Convention of CAJ. 2004. [Электронный ресурс]. Режим доступа: http://haa.su/Ywj (дата обращения 01.07.2020).
18. Nazari M. Smart cities built by smart people: How to build Smart cities using a contextual participatory approach? // Smart Cities and Regional Development (SCRD). 2018. Vol. 2(1). P. 47-55.
19. Nonaka I., Konno N. The concept of «ba»: Building a foundation for knowledge creation // California Management Review. 1998. Vol. 40. Iss. 3. P. 40-54.
20. Nonaka I., Takeuchi H. The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. NY: Oxford University Press, 1995.
21. Novak M.J., Hammer M. Tacit Knowledge Transfer in a State Transportation Agency // Ohio Transportation Engineering Conference, 27-28 October 2009. [Электронный ресурс]. Режим доступа: http://haa.su/Ywk (дата обращения 01.07.2020).
22. Pavlovskaya M., Kononova O. The Post in the Smart City // Digital Transformation and Global Society. DTGS 2018. Communications in Computer and Information Science. 2018. Vol 858. P. 227-242.
23. PolanyiM. The tacit dimension. London: Routledge & Kegan Paul, 1966.
24. Polanyi M. Personal knowledge. Towards apostcritical philosophy. London: University of Chicago Press, 1958.
25. Schwab K. The fourth industrial revolution. New York: Crown Business, 2017.
26. Swedberg R. On the Near Disappearance of Concepts in Mainstream Sociology // Concepts in Action: Conceptual Constructionism. Leiden, Boston: Brill, 2018. P. 23-42.
27. Toyoshima Y., Kohno M. Smart Urban Infrastructure as an Enabler of the Integration of Resident-Oriented Services // Concept-Oriented Research and Development in Information Technology. 2014. P. 195-208.
28. Unified Modeling Language. [Электронный ресурс]. Режим доступа: https://www.omg.org/spec/UML/2.5/About-UML (дата обращения 24.09.2019).
29. Wagner Ch. Breaking the Knowledge Acquisition Bottleneck Through Conversational Knowledge Management // Information Resources Management Journal. 2006. Vol. 19. Iss. 1. P. 70-83.
30. Wilkesmann M., Wilkesmann U. Industry 4.0 - Organizing routines or innovations? // VINE Journal of Information and Knowledge Management Systems. 2018. Vol. 48. Iss. 2. P. 238-254.
