05.02.2020 | Добавил: OleshkoV | Просмотров: 435
И снова об опыте NASA. Часть 2

Вторая часть посвящена опыту другого центра NASA – Johnson Space Center (JSC). И она очень отличается от моей предыдущей заметки. Это тот опыт, который невозможно скопировать, не имея в команде узких технических специалистов. И далеко не все организации сталкиваются с потребностью анализировать такие гигантские объемы контента, которые накоплены в NASA (я сейчас не про Big Data, а именно про статьи, кейсы, извлеченные уроки – т.е. уже «упакованные» в какую-то форму знания, работать с большими объемами которых сложнее, чем просто с данными). И все же я хочу познакомить вас с этим кейсом. В паре с примером центра Годдарда он хорошо показывает, каким разным может быть управление знаниями и насколько разные инструменты оно может использовать для достижения ключевой цели – развитие способности организации принимать наиболее качественные решения.

Для подготовки сегодняшнего поста я использовала следующие материалы:

В 2015 году команда проекта Орион потерпела частичный провал во время тестирования вертикальной системы капсулы (capsule’s uprighting system). В попытках разобраться, почему это произошло, команда начала изучать прошлые извлеченные уроки и инженерные документы по аналогичной вертикальной системе, которая использовалась в программе Аполлон. Поисковик не выдал никаких результатов по этому запросу, поэтому команда Johnson Space Center потратила несколько месяцев, опрашивая вышедших на пенсию инженеров и историков обучения (history officer) NASA в поисках информации. Но и здесь она потерпела неудачу.

К счастью, как раз тогда офис управления знаниями развернул пилотный проект по запуску нового инструмента, который объединял возможности семантического и когнитивного поиска и поиска по категориям (faceted search), а также использовал инструменты визуализации для ускорения поиска нужной для решения проблемы информации. С помощью этого инструмента команда нашла 200 относящихся к теме документов за 3 часа. То есть нужная информация в базах все-таки была, но ее не могли найти около полугода. По словам инженеров проекта Орион, новый инструмент поиска сэкономил им несколько лет работы и пару миллионов долларов.

Этот пример хорошо иллюстрирует возможности поиска, которые появились в агентстве благодаря построению архитектуры знаний. К необходимости разработки такой модели пришли по нескольким причинам:

  1. Объемы информации, хранящиеся в различных базах NASA, достигли таких гигантских масштабов, что имевшиеся поисковики перестали справляться.
  2. Возникла потребность в согласовании и синхронизации функций управления знаниями и ИТ. Специалисты по управлению знаниями разрабатывали стратегию, передавали ее айтишниками (цитируя Дэвида Мезу, «перекидывали через забор») и, фактически, дальше пускали ситуацию на самотек. Подразделение ИТ разрабатывало новое приложение для реализации стратегии управления знаниями, которое иногда работало, а иногда и нет. И едва сотрудники успевали его освоить, как тут же получали еще одно новое приложение. При этом процесс разработки и запуска приложений толком не согласовывался со специалистами по управлению знаниями. Разрыв между двумя функциями усугублялся еще и отсутствием общего глоссария: одни и те же термины могли означать совершенно разное в понимании ИТ-специалистов и менеджеров знаний.

Чтобы как-то решить эти проблемы, команда Дэвида Мезы разработала модель архитектуры знаний (knowledge architecture framework – см. рис. 1), на основе которой смогли наладить партнерство и коммуникацию с ИТ-поддержкой и специалистами по работе с данными (data scientists) в интересах конечных пользователей.


Рис. 1. Архитектура знаний Johnson Space Center (источник)

Архитектура знаний интегрировала в себе три дисциплины:

  1. Управление знаниями – в части того, как в организации собирают, хранят, представляют знания и управляют ими (сохранение извлеченных уроков, создание кейсов, руководств и описаний лучших практик, запись интервью и разработка учебных материалов).
  2. Информатика знаний (Knowledge Informatics) – путь, по которому проходят данные, чтобы стать знаниями для конечных пользователей; инструменты и технологии, которые позволяют соединить пользователя и информацию (системы поиска экспертов, поисковики по базам данных, сами платформы, на которых созданы базы знаний, и др.).
  3. Data Science/Knowledge Analysis – алгоритмы и методы, которые используются, чтобы превратить данные в знания, имеющие практическое применение.

Для того, чтобы наладить диалог между специалистами этих трех направлений, была организована команда архитекторов знаний из людей, которые понимали все три дисциплины и могли выступать в качестве посредников между соответствующими подразделениями. В дальнейшем эта команда стала чем-то вроде «центра помощи»: она принимает запросы конечных пользователей на поиск информации, а затем координирует работу специалистов всех трех направлений для решения поставленной задачи. Первые успешные кейсы команды архитекторов знаний активно «пиарились» внутри NASA, и это приводило к команде новых «внутренних заказчиков».

В своем докладе на конференции APQC Дэвид Меза привел три примера работы этой команды.

1. Графические базы данных и база извлеченных уроков

Это именно та технология, которая была применена для помощи команде проекта Орион. Для понимания объемов базы извлеченных уроков NASA: провели тестовый поиск по 23 ключевым словам, относящимся к общей теме. В ответ получили таблицу с 23мя столбцами и тысячами ссылок. Явно не тот результат, на который рассчитывает пользователь. Чтобы решить эту проблему, использовали открытую платформу для построения графических баз данных Neo4j, которая визуализирует данные в виде сетей.


Рис. 2. Графическая модель управления знаниями в NASA (источник)

На рис. 2 видно, что каждой теме соответствует урок в базе знаний, загруженный туда каким-то автором (submitter). Но внутри одного документа всегда есть несколько тем. Релевантность документа той или иной теме можно определить по частоте упоминания в нем ключевых слов. Применение тематического моделирования, корреляционного и кластерного анализов для построения графической модели базы документов обеспечивает более качественные результаты поиска по ней и их визуальное представление. На рис. 3 показано, как ключевое слово (выделено зеленым) связано с различными документами и другими уроками. С помощью нового приложения инженер может разбить каждую тему на подкатегории (например, уроки о программном обеспечении, используемом для наземных технологий или для технологий, используемых в полете), и поисковик вернет наиболее подходящие уроки, а также другие, связанные с ними, документы.


Рис. 3. Пример графической модели базы данных, выстроенной по ключевому слову (источник)

2. Анализ тональности (sentiment analysis) базы комментариев астронавтов

База комментариев – это база данных, в которой астронавты после возвращения с Международной космической станции оставляют свою обратную связь. За 15 лет там скопилось более 90 тысяч комментариев. Обработка такого объема информации у инженеров занимала недели. Команда архитекторов знаний разбила комментарии по категориям и применила анализ тональности текста, чтобы сократить процесс обработки до пары дней. Визуализация результатов анализа – на рис. 4. Разработанное приложение затем стало использоваться для других задач.


Рис. 4. Визуализация результатов анализа тональности базы комментариев NASA (источник)

3. Применение когнитивных вычислений для анализа научной сети

В третьем примере команда архитекторов знаний использовала когнитивные вычисления, чтобы визуализировать огромные объемы контента и выявить разрывы в нем. Ученые Международной космической станции привлекли команду Мезы для анализа научной сети (Web of Science) – внешней базы публикаций по множеству дисциплин (химия, математика, социальные науки и др.). Нужно было проанализировать более 2000 статей, которые касались экспериментов, когда-либо проводившихся на Международной космической станции. Для этого команда архитекторов знаний создала карту публикаций в базе (рис. 5).


Рис. 5. Карта научной сети (источник)

С помощью корреляционного анализа публикации NASA сравнили с публикациями в сети, чтобы выявить те дисциплины, в которых агентство имеет наибольшее влияние, а также те дисциплины, которые в агентстве «обошли вниманием» (рис. 6), т.е. найти разрывы, которые могут стать потенциальными направлениями дальнейших исследований.


Рис. 6. Карта научной сети с наложением исследований NASA (источник)

Долгие годы NASA училось сохранять свои знания. Если вы потратили несколько миллиардов долларов на создание одной единицы продукта, вам лучше запомнить, как вы это сделали, чтобы не повторять ситуацию с программой Аполлон. В NASA выполняется много такой работы, которая не делается больше нигде (или почти нигде) в мире, поэтому в случае утраты каких-то знаний агентство не может просто нанять специалиста с рынка труда и восстановить их. Сотрудникам NASA пришлось научиться учиться на собственном опыте и сохранять эти знания, чтобы можно было использовать их повторно. Но сейчас перед офисом управления знаниями стоит новая задача: как эффективно работать с уже накопленным и сохраненным багажом знаний. К счастью, современные информационные технологии предоставляют необходимые для этого инструменты.

Кейсы компаний / 05.02.2020 | Просмотров: 435 | Добавил: OleshkoV | Всего комментариев: 0 / Теги: инструменты управления знаниями, Управление знаниями, NASA, кейс
ОБ АВТОРЕ
Виктория Олешко Олешко Виктория, бизнес-тренер, консультант, главный редактор сайта SixSigmaOnline.ru. Автор книги “Управление знаниями: коротко о главном” и блога “Управление знаниями”.
Хотите узнать больше об управлении знаниями? Присоединяйтесь к группе на facebook.
Есть вопросы по управлению знаниями? Интересует корпоративное обучение? Пишите или обращайтесь через мой профиль в сети LinkedIn.

ПОХОЖИЕ МАТЕРИАЛЫ


  Добавить комментарий
avatar
SixSigmaOnline.ru © 2009-2020            Хостинг от uWeb