CONHECIMENTO E ESTRATÉGIA COMPETITIVA (18)

 1.6.  Modelagem do conteúdo para elaboração de software de AI: Knowledge Representation KR (Representação do Conhecimento

Um modelo para representar o conhecimento, que passarei a chamar apenas de modelo, é um conjunto de conhecimentos relativos a um dado domínio aplicativo, disponível de forma explícita, organizada e representado mediante uma linguagem oportuna.

O conceito de modelo envolve, portanto, três aspectos: 

  • A organização: permite fornecer ao conhecimento a estrutura conceitual desejada.
  • A representação: diz respeito à linguagem utilizada para descrever os diversos elementos que constituem o conhecimento de acordo com a organização definida.
  • O conteúdo: é o conjunto dos elementos constitutivos do conhecimento, representados mediante uma linguagem pré-definida e segundo uma organização estrutural. 

Um modelo de conhecimento representa de uma maneira geral um conjunto bem definido de componentes que representam diferentes aspectos de interesse do domínio. Os conhecimentos factuais e estratégicos constituem os componentes.

O conhecimento factual diz respeito ao modo no qual o domínio é constituído e é subdividido por sua vez em partes: conhecimento estático (grandeza, relação, propriedade, vínculos) e conhecimento dinâmico (como o domínio evolui e se comporta no tempo, também sob input externo).

O conhecimento estratégico diz respeito aos processos de raciocínio característicos do domínio, incluindo-se também os mecanismos elementares de raciocínio, os métodos de resolução dos problemas, os critérios de escolha, os conhecimentos gerais ou específicos disponíveis para guiar tais processos. O conhecimento factual é, portanto, conhecimento do domínio, enquanto o conhecimento estratégico é, mais propriamente, conhecimento sobre o domínio (meta-conhecimento).

Finalmente temos que falar da linguagem de representação. Vou procurar ser o mais simples possível porque este é um tema não fácil de seguir para aqueles não ligados a esta área da tecnologia da informação. Aqueles que conhecem estes sistemas peço que compreendam a simplicidade, mas ela tem apenas o objetivo de dar uma informação sobre alguns tipos de linguagem, entre tantas, que podem ser usadas.

A escolha da linguagem inclui dois aspectos: a linguagem de representação final utilizada para a construção do modelo e a linguagem de representação intermediaria a ser adotada para o desenvolvimento das representações intermediarias. As duas linguagens servem a objetivos diferentes e, portanto, devem satisfazer requisitos diferentes.

A linguagem de representação final define os construtos lingüísticos que podem ser utilizados para construir um modelo de conhecimento e as regras para o seu uso correto. A linguagem de representação final deve permitir também a expressão, de maneira apropriada, de todos os aspectos organizativos, estruturais, relacionais e semânticos considerado de interesse do domínio. Concretamente, uma linguagem subentende sempre um conjunto de escolhas projetuais expressas de modo mais ou menos explícito.

A linguagem de representação intermediária tem que servir a escopos diferentes como aquele de ser informal e simples, ser familiar aos especialistas do domínio e ser bastante rica e potente para permitir uma representação clara. Nos casos mais simples esta linguagem pode ser derivada diretamente da literatura, eventualmente com os necessários ajustes para o caso em verificação. Nos casos mais complexos é necessário um esforço consistente para um novo projeto. As classes e as tipologias de linguagem de representação do conhecimento no nível conceitual disponível na literatura são múltiplas.

De um ponto de vista prático é possível individuar as classes principais para a linguagem de representação do conhecimento: 

  • Linguagens lógicas [(baseadas no formalismo derivado da lógica clássica e não dinâmica, modal, fussy,…) – Prolog, Life].
  • Linguagem a regras (regras incertas, metaregras, regras fuzzy – Chips, Soar)
  • Linguagem a redes semânticas, frame, objetos (entidades estruturadas e ligadas entre si por arcos com significado especificamente definido – Owl, Netl)
  • Linguagens procedimenturais (por representação do conhecimento em forma imperativa, funcional ou de rede de transição – Redes de Petri, diagramas de fluxo)
  • Linguagens orientadas a domínios aplicativos [ex.: descrição de processos produtivos (express, idef) ou a modelos de tarefa (Cimosa) ou ainda a modelos empresariais (Pic, Epc, UML)] 

A representação do conhecimento deve compreender seja a estrutura das atividades a serem representadas bem como a dinâmica das transições de estado. A estrutura das atividades indica-se a parte estática da representação, ou seja, a descrições das fases do processo.

Por dinâmica das transições de estado entende-se a análise da seqüência de eventos e mudanças de estado do sistema, por meio de percursos alternativos ou paralelos, descrevem a evolução temporal do sistema através das fases definidas precedentemente.

É importante prestar atenção ao tratamento das exceções, das mudanças (modificações momentâneas ou permanentes do processo) e às implicações que o processo tem sobre o contexto em que opera.

Se os processos a serem modulados são processos organizativos é necessário considera-los em um contexto mais amplo e precisamente distribuído.

Muitos instrumentos de modelagem podem ser encontrados internacionalmente. A título de exemplo cito os mais importantes: IDEF, UML, os Team Automata e as Redes de Petri. Deve-se sempre dedicar uma atenção particular àqueles em condição de oferecer uma semântica bem definida e com praticidade de uso por parte do usuário.

IDEF (Integrated DEFinition Methods) é um conjunto de métodos para modelar processos empresariais. Foi desenvolvido para Força Aérea Americana dentro do projeto dedicado ao Integrated Computer Aided Manufacturing (ICAM). A Família IDEF compreende um conjunto de 16 IDEF, que podem ser utilizados para modelar diversos aspectos da organização, dos sistemas informativos, dos procedimentos e dos processos de uma empresa.

UML (Unified Modeling Language) é uma linguagem para especificações, para a visualização, para a construção e para a documentação de sistemas de softwares. Usando modelos UML para analisar e projetar as aplicações, obtém-se uma descrição uma descrição dos requisitos e uma representação gráfica da estrutura e do comportamento do sistema. Esta descrição standard torna explícito os requisitos do sistema, melhora a comunicação, torna mais compreensível os sistemas complexos e, consequentemente abrevia os tempos de manutenção.

UML se compõe de vários modelos e diagramas, alguns deles são estáticos (representam a estrutura do sistema) enquanto outros são dinâmicos (definem o comportamento do sistema) Os principais são Use Case, Diagrama de Classes, Diagrama dos Estados, Diagramas de Seqüência e de Colaboração.

Geralmente UML é seguramente muito orientado à programação, mas é oneroso. Do ponto de vista da modelação de um processo o sistema UML possui uma linguagem muito simples, mas pobre em relação à complexidade a ser representada.

Team Automata nasceu como um formalismo para descrever, comparar e distinguir num nível arquitetural, os sistemas a suporte do trabalho de grupo no âmbito de uma disciplina conhecida como CSCW (Computer Supported Cooperative Work). O modelo dos Team Automata permite combinar autômatos da equipe entre si, mas não de formar hierarquias de componentes em condições de representar sistemas complexos.

Os Teams Automata, no entanto, se demonstram inapropriados para capturar elementos da atividade de grupo como os aspectos sociais e as atividades informais ou não estruturadas.

Os Teams Automata se fundamentam sobre os conceitos de base do Labelled Transition System, onde o conceito de sistema é definido em termos de estado, ações e mudanças de estado. Estes últimos são determinados pela execução das ações, descritas pelas transições rotuladas nas suas relações de transição. Os Teams Automata possuem uma estrutura formal e flexível para a descrição e análise dos protocolos e dos sistemas para o trabalho de grupo. Modelar um sistema como um Team Automata obriga, durante a fase de planejamento, a considerar detalhadamente a comunicação e a sincronização do sistema. Isto permite uma melhor compreensão da funcionalidade do sistema e obriga as escolhas explícitas de projeto. A estrutura dos Teams Automata permite uma subdivisão e componentes e uma construção modular do sistema.

Um instrumento muito usado são as Redes de Petri que representam um formalismo útil à construção de modelos e análise do comportamento dinâmico de sistemas com eventos discretos. Elas foram apresentadas por Adam Petri, em 1962, na sua tese de doutoramento.

Elas representam um potente instrumento porque representam de modo compacto: 

  • A sincronização entre processos
  • O suceder-se assíncrono dos eventos
  • Operações concorrentes
  • Conflito e compartilhamento de recursos 

As Redes de Petri podem representar sistemas com estados infinitos e um número finito de nós. Numa Rede de Petri o estado de um sistema e uma transição são conceitos distribuídos.

As Matrizes a T são tabelas de correlação entre os valores envolvidos (propriedades dos materiais, componentes, etc; quantidade destes materiais ou componentes e efeito destas variações sobre os produtos).

Esta matriz representa de forma gráfica as correlações das várias influências das entidades variáveis e seus efeitos sobre os produtos. Ela apresenta sob forma simbólica:

Uma Matriz a T, tem este aspecto de formatação: 

 

 Um outro instrumento muito usado é o que se chama de CBR (Case Base Reasoning).

O Case Based reasoning (CBR) é um paradigma de resolução dos problemas segundo o qual é possível utilizar o conhecimento específico das experiências passadas e as soluções dos problemas já resolvidos em vez de contar somente com o conhecimento geral das propriedades dos problemas.

O CBR é um modelo de raciocínio plausível cognitivamente e representa uma das técnicas mais utilizadas pelos seres humanos na solução de problemas do cotidiano.

Ele serve para modelar o raciocínio humano e construir softwares inteligentes. O CBR memoriza as experiências passadas (casos) [1] na sua memória e na elaboração de propostas para a solução de problemas ele recupera as experiências similares, reutiliza estas experiências no contexto da nova situação e memoriza novas experiências.

Ele é aplicável quando existe um problema novo, ainda que tendo características particulares, mas é de alguma maneira similar a um problema já resolvido no passado.

Este modelo necessita de: 

  • Uma biblioteca de casos que cubram todo o domínio
  • Instrumentos para recuperar os casos mais similares à nova situação 

Mas ele oferece estas vantagens: 

  • Supera as limitações da memória humana
  • Possui forte uso de processos de adaptação para gerar soluções e processos interpretativos que avaliam as soluções a serem propostas
  • É um instrumento útil em situações de diagnóstico, projetação e planificação.
  • Memoriza o novo problema com a nova solução.
  • Evita que se cometam erros já experimentados.
  • Focaliza a atenção sobre as partes importantes da situação
  • O custo desta elaboração é independente da complexidade dos problemas. 

Graficamente o modelo CBR pode ser assim representado:

 

 1.2.  Identificação de gestores, responsáveis pelas informações, segurança e acesso. 

Um software com todos estes recursos e patrimônio intangível da empresa vai, necessariamente, requerer a identificação de gestores do sistema e subsistemas, manutenção e atualização alem dos aspectos ligados à segurança e proteção do patrimônio. 

1.3. Divulgação dos resultados para comunidade de usuários do projeto piloto e Avaliação do projeto piloto 

Um projeto desta envergadura não fica pronto de um momento ao outro, e nem é entregue à organização na sua forma completa e definitiva. Normalmente vão sendo concluídos subsistemas relativos a domínios diferentes (comunidades de prática diferentes) da empresa. Estes programas devem passar a uma fase piloto onde alguns especialistas passam a utilizá-lo e verificar a sua precisão, sua eficiência e sua eficácia.

Eventuais falhas devem ser imediatamente assinaladas para que possam ser corrigidas.

Após o período contratado para as fases piloto dos diversos subsistemas, os responsáveis técnicos de cada domínio devem dar sua aprovação para a consolidação do sistema total. 

1.4. Planejamento do ciclo de expansão do sistema

Um sistema de gestão do conhecimento deve prever a sua constante atualização com novos conhecimentos e possibilidades de expansão a outros objetivos da empresa.

Na fase final de implantação do sistema de AI os gestores deste sistema devem ter, de uma maneira esquemática e conceitual, todo um planejamento dos ciclos de expansão do sistema.

Estes ciclos serão determinados não só por avanços de conhecimento técnico e de tecnologia da informação, mas também por necessidades de mudança organizacional que podem ser das mais variadas origens.

O sistema de Inteligência Artificial deve ter uma grande capacidade de adaptação à dinâmica do transformismo empresarial e tecnológico que existe nos dias de hoje. Caso contrário terá sido não somente um desperdício de capital e de esforço competitivo, mas, sobretudo, a perda na convicção do valor do conhecimento.

Referências bibliográficas 

  • Allen Thomas J., Communication Networks in R&D Laboratories, Blackwell Publishers, 1971, vol.1, 14-21.
  • Bauman Z., Comunity. Seeking Safety in na Ensecure Word, Cambridge, Polity Press, 2001
  • Boria, Gianni, Lo Psicodramma Classico, Franco Angeli, Milão, 1997
  • Brown, A.L., Campione, J.C., Guided Discovery in A Community of Learns, in K.McGilly, Classroom lesson: integrating cognitive theory and classroom practice, Cambridge, MA, MIT Press, Bradford Book, 1994
  • Brown John Seely e Duguit Paul, Le Comunità di Pratica, Sviluppo & Organizzazione, E.S.T.E Edizioni Scientifiche Tecniche Europee S.r.l., nº 190, Milão, Itália, março 2002, pg 49
  • Brown John Seely, Collins A., Duguid Paul, Situated cognition and the culture of learning, in Educational Researcher, 18, 32-42
  • Buber Martin, Distance and Relation, Psychiatry, 1957
  • Davenport T & De Long, D. Building Successful Knowledge Management Projects, Ernest e Young Center for Business Innovation Working Paper, Janeiro 1997
  • Decarolis, Donna Marie, David L. Leeds, The Impacto f Stock and Flows of Organization Knowledge on Firms Performance: na empirical investigation of the biotechnology industry, Strategic Management Journal, 1999.
  • Del Carratore, E., Collaborazione e Cooperazione?, in: Archivio, Form@re, Trento, Ed Erikson, numero aos cuidados de A Calvani, n.1, Maio 2001. www.formare.erickson.it
  • Fodor Eugene M, Smith Terry, The power Motive as an Influence on Group Decision Making, Journal of Personality and Social Psycology nº 42 pg 178-185
  • Fonseca José, Psicoterapia da Relação, Editora Agora, São Paulo, 2000, Cap 20: Estratégias de Direção Grupal, trabalho de Anna Maria Abreu Costa Knobel, apresentado no XII Congresso Internacional de Psicoterapia de Grupo, Buenos Aires, Argentina, 1995.
  • Gaiarça José Angelo, A Couraça Muscular do Caráter (Wilhelm Reich), São Paulo, Editora Ágora, 1984
  • Goleman Daniel, Mentiras Essenciais, Verdades Simples – A psicologia da auto ilusão, Editora Rocco, Rio de janeiro, 1997
  • Hoopes, David G., Steven Postrel, 1999. Shared knowledge, “glitches”, and product development performance. Strategic Management Journal.
  • Janis Irving, Victims of Gouplink, Houghton Mifflin,  edição atualizada, Boston,1983
  • Katz Ralph, The Human Side Of Managing Technological Innovation, Oxford University Press, New York, 1997
  • Koestler Arthur, The Invisible Writing, New York, The Mcmillan Company, 1954
  • Lec Stanislaw J.,Pensieri Spettinati (Mysli nieczesane), tradd. de Ricardo Landau e Piero Marchesani, Bompiani, Milano, 1984.
  • Leonard-Barton, Dorothy, 1995, Wellsprings of Knowledge: Building and Sustaining the Sources of Innovation, Harvard Business Scholl Press, Cambridge, MA
  • Lichtenberg Georg Christoph, Osservazioni e Pensieri (Aphorismen), aos cuidados de Nello Sàito, Einaudi, Turim, 1966.
  • Morandotti Alessandro, Minime, volume III, Scheiwiller, Milano, 1979-1980.
  • Moreno Jacob Levi, Psychodrama, vol 1, Horsham Foundation, Amber, Pennsilvania, 1980
  • Moreno Jacob L., Psicoterapia de Grupo e Psicodrama, 2ª edição, Editorial Psy, Campinas (SP), 1993
  • Mounier-Kuhl, Pierre E., 1994, Product policies in two French computers firms: SEA and BULL, (1948-64). Lisa Bud-Frierman, Ed., Information Acumen: The Understanding and Use of Knowledge in Modern Business. Routledge, London, UK, pg 113-115
  • Polanyi, Michael, The Tacit Dimension, Doubleday and Co., Gardem City, NY, 1966
  • Purser R.E & Pasmore, W.A., Organizer for learning. Research in Organizational Change and Development, 6, 1992::37-114
  • Resnick,  Learning in school and out, in Educational Researcher, 16, pp. 36-70.
  • Ronald D. Laing, L’Io e gli altri, Firenzi, Sansoni, 1969
  • Sasha Barab e Thomas M. Duffy, From parctice Fields to Community of Practice, in Theoretical Foundations of Learning Environments, aos cuidados de David H. Jonassen e Susan M. Land, Lawrence Erlbaum Associates Publishers, Mahwah, New Jersey [2000].
  • Saxenian, AnnaLee, 1996. Regional Advantage:Culture and Competition in Silicon Valley and Route 128. Harvard University Press, Cambridge, MA.
  • Schopenhauer Arthur, L’Arte di Ottenere Ragione, Milano, Adelphi Edizioni, 17a Edizioni, 1997
  • Turati C. Ruta, “KBO research program”, White paper, 2000
  • Vasconcelos, Maria José Esteves e, Pensamento Sistêmico, O Novo Paradigma de Ciência, Editora Papirus, Campinas (SP), 2003, 3ª Edição, pgs 137 e 138.
  • Vauvenargues Luc de Clapiers de, Riflessioni e Massime (Réflexions et Maximes 1746), aos cuidados de Paolo Serini, Sansoni, Firenze, 1923.
  • Vygotsky Lev S., Pensiero e Linguaggio, trad. it., Giunti Barbera, Firenze [1996].
  • Watzlawick Paul, Beavin, Janet Helmick, Jackson Don, Pragmatica della Comunicazione Umana, Astrolabio, Roma, 1971
  • Watzlawick Paul, Janet Beavin, Don D. Jackson, Pragmatics of Human Communication: A Study of  Interactional Patterns, Pathologies, and Paradoxes, Março 1967, W W Norton & Company, NY
  • Watzlavick Paul, Change sulla formazione e la soluzione dei problemi, Casa Editrice Astrolábio, Roma, 1974.
  • Watzlavick Paul, Istruzione per Rendersi Infelice, Milano: Feltrinelli Editore, 2002. [Título original: Anleitung zun Unglücklich Sein, 1983, R. Piper&Co, Verlag, München]
  • E.Wenger, Communities of Practice, Learning, Meaning and Identity, Cambridge, New York, Cambridge University Press, 1998b
  • Wenger E. Lave J., Situated learning: Legitimate Peripheral Partcipation, Cambridge University Press, New York [1991].
  • Winkin Yves, A Nova Comunicação – Da Teoria ao Trabalho de Campo, Papirus editora, Campinas, Brasil, 1998.

 


[1] CASO: representa o conhecimento específico ligado a um contexto e comporta a descrição do problema (características do problema, objetivos a serem atingidos, condições a serem respeitadas), a solução do problema (passos de raciocínio usados para resolver o problema, justificativas tomadas para as decisões, soluções aceitáveis, alternativas não escolhidas) e o resultado (o resultado, as indicações ddo porque do sucesso ou da falência, explicações eventuais para a falência, sugestões para a reparação da falência).

Anúncios

Deixe um comentário

Preencha os seus dados abaixo ou clique em um ícone para log in:

Logotipo do WordPress.com

Você está comentando utilizando sua conta WordPress.com. Sair /  Alterar )

Foto do Google+

Você está comentando utilizando sua conta Google+. Sair /  Alterar )

Imagem do Twitter

Você está comentando utilizando sua conta Twitter. Sair /  Alterar )

Foto do Facebook

Você está comentando utilizando sua conta Facebook. Sair /  Alterar )

w

Conectando a %s

%d blogueiros gostam disto: