Znalostní management z pohledu různých perspektiv

U technologické perspektivy jsou zkoumány především způsoby, jak mohou jednotlivé informační, komunikační a znalostní technologie pomoci při realizaci znalostního managementu. Tato perspektiva je velmi rozšířená a někdy je zaměňovaná za samotný znalostní management. K této skutečnosti přispěli především poskytovatelé softwaru, kteří ke svým produktům připojovali nálepku „Znalostní management“ a vytvářeli tak u nezkušených a nezasvěcených uživatelů falešnou představu o možnosti zavedení znalostního managementu výhradně a pouze pomocí implementace určitého softwarového balíku. Technologickou perspektivu však není možné ani podceňovat. Současné technologie slouží jako katalyzátor rychlého rozvoje jednotlivých organizací. Při vhodném a uváženém použití je tomu tak také v případě znalostního managementu. Například ve společnosti British Airways byla při zavádění znalostního managementu prosazována myšlenka, že znalostní management je ze dvou třetin o kultuře a chování a z jedné třetiny o technologiích.

Využitelné technologie

Konkrétních příkladů, kdy je vhodné tyto technologie použít, existuje velké množství. Jako příklad je možné uvést jejich nasazení a využívání k následujícím konverzním a propojovacím aktivitám:

• Konverzi individuálních znalostí na všeobecně dostupné – jedná se hlavně o problematiku získávání znalostí od jednotlivých zaměstnanců nebo specialistů, jejich sdílení a prezentaci ve tvaru, který umožňuje další revizi a opakované využívání.
• Konverzi dat na znalosti – jedná se o explorativní získávání znalostí nebo dolování v datech, což jsou oblasti využívající různé metody a nástroje z umělé inteligence a statistiky.
• Konverzi textových informací na znalosti – zde jde především o využívání inteligentních nástrojů založených převážně na fulltextových technologiích, opět ve spojení s umělou inteligencí.
• Propojení lidí se znalostmi – zde hrají velice důležitou roli technologie, které zpřístupňují možným zájemcům znalosti, jež by je mohli zajímat nebo které potřebují.
• Propojení různých typů znalostí navzájem – zaměřuje se na automatické vyhodnocení obsahu jednotlivých znalostí a vytváření někdy i násobných propojení mezi jednotlivými souvisejícími entitami znalostí.
• Vzájemné propojení lidí – vychází se skutečnosti, že jedním z hlavních nositelů různých znalostí je člověk, většinou specialista na určitou oblast, a proto spojení různých lidí zabezpečuje sdílení znalostí, ale také jejich tvorbu.
• Propojení znalostí s konkrétními lidmi – jedná se zde o využívání „push“ technologií k zajištění přístupu ke znalostem pro lidi, kteří tyto znalosti nemají, ale potřebují je či mohou potřebovat.

K zajištění těchto aktivit jsou využívány rozličné technologie. Podle Dataware je možné využít například:

Intranet

V porovnání s ostatními technologiemi se intranet v podnikové oblasti prosadil rychleji a razantněji. Je totiž ideálním prostředím pro sdílení informací, které se tím stávají dynamičtější a vzájemně propojené. Nicméně u některých velkých organizací se množství informací dostalo do obdobné situace, jako je tomu u internetové služby WWW – nikdo neví, co kde je, a díky tomu nemůže ani rychle najít to, co hledá. Intranet může být rozdělen do dvou částí, jimiž jsou technologická infrastruktura (sítě IP, universální webové prohlížeče, tenký klient a HTML formát) a webový server, který slouží jako skladiště obsahu. Webové stránky jsou nejvhodnější pro správu obsahu, který se pravidelně mění a je komplexně propojen. Pro každou organizaci je však intranet pouze dalším typem znalostního úložiště, které musí být integrováno s ostatními v organizaci existujícími úložišti.

Systémy pro správu dokumentů

Systémy pro správu dokumentů jsou skladišti důležitých organizačních dokumentů, a proto obsahují důležité explicitní znalosti. Jsou také hodnotnými nástroji pro vytváření a zpracování komplexních dokumentů, jako je nová aplikace léku ve farmaceutických společnostech. Systémy pro správu dokumentů vynikají v kontrole vytváření dokumentů, jejich zpracování nebo zpětné recenzi. Některé společnosti přistupují ke znalostnímu managementu právě pomocí systému pro správu dokumentů. Problémem však je, že někteří uživatelé se nemohou přímo účastnit vytváření komplexních dokumentů, a proto si nemohou hodnotu těchto systémů dostatečně uvědomit. Z tohoto důvodu mohou být systémy pro správu dokumentů důležitou součástí znalostního managementu, která musí být integrována do společné znalostní infrastruktury, ale neměly by být využity jako základ celého systému znalostního managementu.

Stroje pro znovuzískávání informací

Technologie pro znovuzískávání informací, ať již ve formě organizačního úložiště textů nebo intranetového nástroje pro vyhledávání, existují v mnoha organizacích jako zdroj obsahující důležité informace. Poskytovatelé těchto technologií se zaměřují na uspokojení potřeb těch, kteří vyhledávají informace, a přidávají k nim rysy jako řazení podle míry podstatnosti, dotazy v přirozeném jazyce, sumarizaci a další možnosti, zvyšující rychlost a preciznost nacházení informací.

Groupware a workflow systémy

Organizace používají groupware v případě, kdy uživatelé pracující ve skupinách nebo odděleních potřebují komunikovat a spolupracovat. Groupware umožňuje formální a ad hoc konverzace v případě, že účastníci nemohou komunikovat v reálném čase. Toto dělá z groupwaru důležitou technologií pro zvýšení výměny tacitních znalostí. Avšak stejně jako ostatní aplikace, groupwarové databáze obsahují znalosti, které musí být integrovány do organizační znalostní architektury. Workflow systémy umožňují uživatelům kodifikovat proces přenosu znalostí v případě potřeby přesné metody diseminace. Například procesy generování nabídek často vyžadují, aby tvůrce nabídek shromáždil znalosti, vytvořil nové informace a získal souhlas na celou nabídku. Tento proces vyžaduje strukturovanou a uspořádanou přípravu a revizi informací, což zajišťují právě workflow systémy.

Push technologie

Poslední dobou vzbudily pozornost technologie, které automatizují přenos informací ke konečnému uživateli. Ačkoli e-maily slouží k tomuto účelu již desetiletí, nové, na webu založené technologie přidaly lepší prezentaci, obnovu v reálném čase a schopnost posunout („tlačit“) k uživatelům jak aplikace, tak i obsah. „Tlačení“ obsahu je dynamická forma elektronického publikování a je proto důležitou součástí systému znalostního managementu.

Help-desk aplikace

Mnoho organizací používá help-desk technologie k uspokojení jak interních, tak externích požadavků na informace. Avšak znalosti akumulované v těchto technologiích jsou schopny mnoha širších aplikací, než jen odpovídání na specifické dotazy. Například deníky služebních požadavků mohou být hodnotným nástrojem při návrhu výrobků a zlepšování služeb. K zachycení těchto potenciálních a hodnotných informací je opět nutné integrovat tyto technologie a systémy do celkové infrastruktury znalostního managementu.

Brainstorming aplikace

Nástroje brainstormingu pomáhají inspirovat kreativní myšlení a konvertují tacitní znalosti do znalostí explicitních. Tyto aplikace, ve spolupráci s aplikacemi konečného uživatele, pomáhají kategorizovat, organizovat a identifikovat znalostní zdroje a jsou proto užitečnými nástroji pro vytváření znalostí. Organizační systém znalostního managementu musí uživatelům a těmto aplikacím poskytovat jednoduchý způsob identifikace, zachytávání a sdílení výsledků těchto aktivit s ostatními členy organizace.

Datové sklady a nástroje dolování v datech

Organizace vytvářejí datové sklady a vyzbrojují své manažery nástroji sloužícími k tzv. „dolování“ v datech za účelem maximálního využití existujících vztahů a objevení nových vztahů mezi zákazníky, dodavateli a interními procesy. Ačkoliv jsou využívány především obchodními manažery, organizace se snaží o jejich rozšíření, jelikož množství pracovníků v organizaci potřebuje přijmat rozhodnutí založená na rostoucí množině dat. Systém znalostního managementu musí poskytovat plnohodnotný přístup k datovým skladům, které podporují standardní protokoly jako je Open Database Connectivity (ODBC) a Structured Query Language (SQL). Systémy znalostního managementu také musí poskytnout způsob pro popsání a poskytnutí přístupu k běžným reportům tak, že uživatelé, kteří nejsou podrobně seznámeni s nástroji a technikami dolování v datech, mohou najít existující reporty v dané oblasti zájmu a přistupovat k nim.

Mezi další využitelné technologie patří například zasílání zpráv a elektronická pošta, systémy pro podporu rozhodování, telefonické konference atd. Bližší seznámení s ostatními zde neuvedenými technologiemi je možné nalézt například u Lindvalla nebo v jiné odborné literatuře.

Informační a znalostní infrastruktura

Infrastruktura v obecném slova smyslu vytváří rámec poskytující základ pro jednotlivé procesy, které mají být realizovány. Příkladem může být dům, ve kterém mohou lidé spotřebovávat vodu a elektrickou energii, jež jsou dodávány pomocí různých trubek a drátů elektrického vedení. Automobily a vlaky se mohou pohybovat z jednoho místa na druhé díky silnicím a položeným kolejím. Jinými slovy, infrastruktura je potřebná, kdykoliv je nutné navrhnout a realizovat dynamické chování systému. Jedním z úkolů znalostního managementu je tedy vytvořit infrastrukturu, pomocí níž budou moci být realizovány jednotlivé znalostní toky v organizaci. Informačně-znalostní infrastruktura představuje jistý druh provázané sítě prvků, které zpracovávají informace a znalosti a společně se základními principy a pravidly vytvářejí fungující celek [Čech 2005]. Jednotlivými prvky mohou být buď lidé, nebo informační a znalostní systémy. Úspěch takové infrastruktury je pak hodnocen na základě její schopnosti pracovat se znalostmi a odpovídat na jednotlivé znalostní potřeby efektivním, včasným a nenákladným způsobem.

J. Firestone vnímá informační a znalostní infrastrukturu jako dva v organizaci existující druhy modelů znalostního managementu. První model reprezentuje organizační a lidské prvky a jejich trvalé vazby. Uspořádání, komunikace a interakce zde nejsou určeny nějakým návrhem, ale místo toho se objevují jako důsledek dynamiky organizačních procesů a aktivit. Z tohoto důvodu je tento model vnímán jako přirozený. Druhý model je poněkud odlišný a vychází z přirozeného modelu. Podle tohoto autora má druhý model následující charakteristiky:

• Jeho prvky tvoří počítače, software, sítě, elektronické komponenty atd.
• Vlastnosti jeho prvků a základních vazeb jsou určovány návrhem.
• Jeho konečným účelem je podporovat znalosti a znalostní management.

Tento druhý model je navrhován, tzn. jedná se o umělý model. Výsledná informačně-znalostní infrastruktura je pak dána propojením obou modelů, jak přirozeného, tak umělého. Důležité je ovšem zdůraznit, že oba modely vyžadují odlišný způsob zacházení.

Jak již bylo uvedeno, infrastruktura musí být vytvořena proto, aby mohly být realizovány jednotlivé toky znalostí. Jedna z otázek, na kterou musí každá organizace odpovědět, zní: jakým způsobem je možné tyto znalostní toky vytvořit. Z tohoto důvodu navrhuje Borghoff, aby si každá organizace odpověděla na následující otázky:

• Jaký druh informačních technologií může přispět k realizaci znalostních toků a podporovat jejich konverzi z explicitních na tacitní a naopak?
• Jaký druh informačních technologií může nejlépe podporovat explicitní znalosti, které organizace vlastní?
• Jaký druh systémů je potřebný pro podporu výměny tacitních znalostí v organizaci?
• Jakým způsobem může být množství explicitních znalostí efektivně spravováno?

Infrastruktura by pak měla vytvářet rámec, který umožňuje, aby byly znalostní procesy a tím i znalostní toky vykonávány. Každý prvek této infrastruktury by měl mít dobře definovaná rozhraní, která poskytují přístup k jednotlivým službám. Tyto služby by měly být poskytovány v jednotném a intuitivním prostředí.

Jak již bylo uvedeno v kapitole věnované definicím znalostního managementu, existují v současnosti problémy s jednotným vnímáním této disciplíny. Tyto problémy se pochopitelně následně přesouvají do oblasti jednotlivých systémů, které se zabývají znalostmi a informacemi. V současnosti neexistuje ostrá hranice rozlišující mezi informačními a znalostními systémy. Jedna z definic informačního systému například říká, že „informační systém může být definován jako množina provázaných komponent, které sbírají (nebo získávají), zpracovávají, ukládají a distribuují informace za účelem podpory rozhodování, koordinace, kontroly, analýzy a vizualizace v organizaci“.

Již z uvedené definice je zřejmé, že informační systém je komplexní výtvor, který můžeme rozdělit na jednotlivé komponenty. Mezi tyto komponenty by měl patřit:

• Hardware – hmotné nástroje a další technické přístroje pro zpracování dat a informací.
• Software – nehmotné vybavení jako například algoritmy, metody, procedury, pravidla atd. pro zpracování dat a informací.
• Orgware – politiky a pravidla, které řídí jednotlivé činnosti a využívají informační systémy a informační technologie.
• Peopleware – znalosti a zkušenosti pracovníků, které se týkají zpracování a interpretace významu informací.

Definice znalostního systému není tak jednoduchá a jednoznačná, jelikož by měla zdůrazňovat určité rozdíly mezi znalostním systémem a systémem informačním. Oblast studia umělé inteligence, která se zaměřuje na reprezentaci znalostí, vytvořila pojem „znalostní báze“, aby tuto bázi odlišila od klasické databáze. Tímto způsobem vznikly systémy označované jako „knowledge-based systems“ (systémy založené na znalostech). Tyto systémy se tedy odlišovaly od ostatních, zvláště pak od těch informačních tím, že obsahovaly znalostní bázi a algoritmus, který s touto bází pracoval.

Posléze byly zavedeny nové pojmy jako neutrální „znalostní systém“ (knowledge system) nebo „systémy pro znalostní management“ (knowledge management systems). Ačkoliv je druhý z uvedených pojmů možné vnímat v širším smyslu, jelikož znalostní práce může být podporována mnoha nástroji a technikami, ve většině případů se jedná o počítačové systémy podporující znalostní management v organizaci, tzn. o systémy, které pracují na principech objevených a rozvíjených na úrovni managementu znalostí a které jsou využívány pro znalostní management na organizační úrovni. Někteří autoři tento pojem vnímají dokonce jako „systém znalostního managementu“, tzn. vnímání znalostního managementu systémovým způsobem. Výše uvedená možnost širšího vnímání systémů pro znalostní management způsobuje, že u těchto systémů není nutné vyžadovat znalostní bázi. Systémy pro znalostní management jsou pak takové systémy, které interagují s ostatními organizačními systémy a zajišťují tak všechny aspekty zpracování znalostí. Základním požadavkem je proto především podpora znalostních procesů.

V současnosti patří mezi neobvyklejší systémy podporující rozličné znalostní procesy následující:

• EDMS (Electronic Document Management Systems) – tyto systémy umožňují pracovníkům jednodušeji přistupovat k existujícím dokumentům. Jsou schopné pracovat s nestrukturovanými nebo textovými daty, poskytují sofistikované metody indexace nebo kategorizace. Moderní EDMS mohou často pracovat se zdroji z internetu ve formě webových stránek apod. V současnosti jsou EDMS dále rozdělovány do různých kategorií:
  • DAM (Digital Asset Management) – systémy podporující práci s digitálními aktivy v binární formě (zvuk, video atd.).
  • WCM (Web Content Management) – systémy podporující práci s internetovými, intranetovými a extranetovými zdroji a aplikacemi.
  • LCM (Learning Content Management ) – systémy, jejichž cílem je podpora vzdělávacího procesu pomocí správy studijních zdrojů a ostatních vzdělávacích materiálů.
• Diskusní systémy – tyto systémy podporují sdílení informací a znalostí většinou členy určité komunity. Umožňují získat odpovědi na otázky, tipy, ponaučení atd.
• CMS (Capability Management Systems) – tyto systémy jsou někdy známé jako „zlaté stránky“ (Yellow Pages). Systémy umožňují členům organizace poznat, „kdo co zná“. Mohou zde být totiž prezentovány informace o dovednostech, schopnostech, zkušenostech, dosaženém vzdělání atd. Technologie umožňující nalézt vhodného člověka mají rozsah od jednoduchého vyhledávání pomocí klíčových slov po sofistikované algoritmy umělé inteligence, které využívají neuronové sítě a rozhodovací stromy. Musíme však upozornit na skutečnost, že tyto systémy je velmi těžké udržovat v aktuálním stavu (up-to-date). Ve společnosti BP Amoco, kde svůj systém nazvali Connect, se tento problém snažili vyřešit následujícím způsobem. U systému byla vytvořena charakteristika označovaná jako Patnáct minut slávy (Fifteen Minutes of Fame), tu získal osobní profil toho, kdo u svých záznamů provedl aktualizaci. Po aktualizaci se na hlavní obrazovce systému totiž objevila fotografie s detaily tohoto pracovníka, dokud nebyla nahrazena fotografií a detaily dalšího zaměstnance, který se k aktualizaci odhodlal. Ačkoliv tím vznikl někdy směšný souboj mezi některými pracovníky, vedlejším efektem byla relativně vysoká míra aktuálnosti systému. Zdůraznění však zaslouží zkušenost, podle níž jsou tyto systémy vhodné především pro organizace, ve kterých je aktualizace osobního profilu prestižní záležitostí (například u konzultačních společností) nebo v nichž existuje motivační program.
• Systémy pro získaná ponaučení (Lessons Learned Systems) – tyto systémy poskytují přístup k databázi, ve které je možné nalézt zkušenosti spojené s řešením běžných problémů. Problémy jsou zde popsány ve formě strukturovaných případů. Tyto systémy jsou často podporovány inteligentními technikami pro vyhledání obdobného případu.
• Expertní systémy – tyto systémy simulují rozhodování lidského experta. Jejich přínos byl prokázán například v situacích, ve kterých je pro rozhodnutí problému zapotřebí velké množství znalostí. Expertní systémy jsou uplatňovány také v případě nedostatku času na rozhodnutí nebo v případě, kdy by rozhodnutí lidského experta mohlo být ovlivněno stresem, emocemi atd.
• Systémy pro objevování znalostí (Knowledge Discovery Systems) prozkoumávají velké databáze za účelem nalezení potenciálně užitečné informace nebo znalosti. Využívány jsou zde statistické metody nebo metody z oblasti umělé inteligence.
• Inteligentní agenty – zde se jedná o specializované softwarové systémy, které jsou obvykle součástí větších systémů. Hlavním úkolem inteligentních agentů je poskytnout podporu lidem (nebo jiným agentům) u různých aktivit. Činnosti, které agenty vykonávají, jsou řízeny pravidly, jež mohou být přizpůsobena jednotlivým situacím. Inteligentní agenty například monitorují jiný systém, prohledávají rozsáhlé databáze, shromažďují informace jako základ pro rozhodnutí realizovaná lidmi atd. Agenty jsou většinou zaměřeny na malou množinu úkolů a velmi často spolupracují s jinými agenty, které mají jinou oblast zaměření a jiné úkoly. Možnosti agentů jsou extrémně hodnotné například v znalostně intenzivním prostředí, kde znalostní pracovníci nemají čas na soustavné monitorování informačních zdrojů.

A. Wensley kategorizuje systémy podle podpory, kterou poskytují jednotlivým procesům znalostního managementu. Tento autor rozlišuje následující skupiny systémů:

• Systémy podporující vytváření znalostí (systémy, které pomáhají v procesu tvorby, objevování, syntézy, slučování a kombinace a obnovy znalostí).
• Systémy podporující kodifikaci a validaci znalostí (systémy, které jsou používány pro klasifikaci, kategorizaci, ukládání a validaci znalostí).
• Systémy podporující transfer a sdílení znalostí (systémy, které podporují procesy distribuce a rozptýlení znalostí a jejich přístupnost).

Je zřejmé, že by bylo možné ve výkladu pokračovat dále, avšak tím bychom se dostali do základní úrovně, na níž je věnována pozornost znalostem, a to na úroveň managementu znalostí. Zde jsou předmětem zájmu například znalostní báze, ontologie, pojmové mapy nebo jazyky, které jsou na této úrovni vytvářeny a používány (například CycL, RDF, RDFS, OIL, DAML, OWL, UML, OCL atd.). V případě zájmu je možné nahlédnout do odborné literatury, která se těmto problémům věnuje.

Převzato z knihy „Znalostní management a proces jeho zavádění“ vydané nakladatelstvím Grada Publishing v roce 2007.