III.

Arhitectura SSD

De-a lungul timpului, specialiştii au propus diverse arhitecturi ale sistemelor support
pentru decizie. Totuşi, în toate modelele de arhitecturi se regăsesc, sub diverse denumiri,
compomenta de management a datelor, componenta de management a modelelor şi
componenta de interfaţă cu utilizatorul. Aceste componente constituie nucleul SSD-
urilor şi de cele mai multe ori una dintre ele este componentă predominantă. Alte
componente care sunt incluse în arhitectura unui SSD, formând înpreună arhitectura
generală a acestuia sunt: componenta de management al bazei de cunoştinţe,
componenta de comunicaţie, componenta hardware şi sistemul de operare,
instrumentele software pentru utilizatori şi pentru administratorii SSD-ului.

În cazul SSD-urilor componentele acestora sunt proiectate în funcţie de

tipul de SSD, contextul decizional, natura şi gradul de dificultate al problemelor
decizionale.

Arhitectura SSD-urilor are particularităţi specifice fiecărui tip în parte. De exemplu,

un SSD orientat către modele, va avea o arhitectura cu o dezvoltare mai complexă a
componentei de management a modelelor (utilizate pentru a genera şi recomanda o
soluţie la problema decizională); un SSD orientat către date va avea o arhitectură în
care componenta de management al datelor va include facilităţi suplimentare pentru
interogare, raportare, extragere de date, prelucrarea şi filtrarea acestora etc., iar un SSD de
grup va avea în arhitectura sa componente specifice comunicării şi mangementului de
grup.

În figura 5 este prezentată arhitectura unui SSD în abordarea clasică a lui

Turban şi Aronson, 2001. , care conţine:

 componenta de management al datelor - poate fi interconectată cu depozite şi magazii de

date;

 componenta de management al modelelor - include şi limbajul de modelare pentru

construirea modelelor şi oferă sistemului capabilităţi analitice;

 componenta de management al bazei de cunoştinţe - complează factorul

1
 decizional (managerul) prin elemente de inteligenţă artificială;

 componenta de interfaţă - asigură comunicarea cu utilizatorii sistemului

Figura 5. Arhitectura generală a unui SSD

(adaptare după Turban şi Aronson, 2001 şi ref.1 I.Istudor)

Tipuri de arhitecturi ale SSD

In tabelul 5 sunt prezentate diverse tipuri de arhitecturi propuse de specualişti.

Tabelul 5. Arhitecturi SSD

An Autor Componente
1980 Sprague 1. sistemul de gestiune a datelor (Data-Base Management
(Sprague,1980) System - DBMS);
2. sistemul de gestiune a modelelor (Model-Base
Management System - MBMS);
3. sistemul de management şi de generare a dialogului
(Dialog Generation and Management System - DGMS).
1994 Mallach 1. Sistemul de bază de date ce include orice bază de
date existentă (internă sau externă organizaţiei) şi
orice bază de date creată pentru utilizarea SSD-ului.

2
 Trebuie să se identifice, de asemenea, proprietarul
acestor baze de date, modul cum se realizează
securitatea datelor şi cum se asigură acurateţea datelor
2. Sistemul de modele include nu numai modelele
utilizate ci şi informaţii despre sursele de date utilizate,
modul lor de procesare, responsabilii cu întreţinerea
modelelor şi modul de acces la modele.
3. Instrumentele software pentru utilizatori ce le asigură
accesul la bazele de date şi la modele şi instrumentele
software pentru administratori ce permit gestiunea
bazelor de date şi a modelelor;
4. Platformele hardware şi sistemele de operare pe
care se instalează bazele de date şi modelele.
5. Facilităţile de comunicare şi de reţea necesare pentru
a conecta platformele hardware (conectare la unul sau
mai multe servere şi baze de date, comunicare intra şi
inter-organizaţională
1999 Hättenschwiler 1. utilizatorii cu diferite roluri sau funcţii în procesul
(Hättenschwiler, decizional,
2002)
2. contextul deciziei specific şi definibil,

3. un sistem ţintă ce descrie majoritatea preferinţelor,

4. o bază de cunoştinţe cu date din surse externe, baze de

date de lucru, baze de cunoştinţe, depozite de date şi
metadate, modele şi metode matematice, proceduri,
motoare de inferenţă şi de căutare, programe
administrative şi sisteme de raportare

5. un mediu de lucru pentru pregătirea, analiza şi

documentarea alternativelor deciziei.
1999 Marakas 1. sistemul de gestiune a datelor,

2. sistemul de gestiune a modelelor,

3
 3. motorul de cunoştinţe,

4. interfaţa cu utilizatorul

5. utilizatorul.
2001 Holsapple şi 1. sistem de limbaj (LS),
Whinston
2. sistem de prezentare (PS),

3. sistem de cunoştinţe (KS)

4. sistem de procesare a problemelor (PPS).

2002 Power 1. interfaţa cu utilizatorul,
2. baza de date,
3. baza de modele
4. instrumentele analitice

III.1. Componenta de management al datelor

Indiferent de tipul lui, pentru orice SSD componenta de management a datelor

reprezintă una din componentele esenţiale. Această componentă este compusă din
colecţia de date (baze de date sau depozite de date) şi instrumentele de management
şi valorificare a datelor (SGBD sau OLAP- prelucrare analitică on-line).

Volumele mari de datele cu care lucrează componenta de management a datelor

sunt relevante pentru clasa de probleme pentru care SSD a fost construit. Acest sistem
furnizează structuri de date logice, utilizatorul neinteracţionând cu aspectele fizice legate
de structura şi modul de procesare a bazei de date. Utilizatorul poate primi, de
asemenea, informaţii legate de tipul datelor disponibile şi modul lor de accesare
(Druzdzel, Flynn, 2002).

Filip, 2007 arată că în literatura de specialitate cunoştinţele descriptive

achiziţionate sau produse în SSD sunt referite prin termenii date sau informaţii.
Diferenţele care există între cei doi termeni sunt datorate gradului de prelucrare

4
 şi utilităţii pentru utilizator în executarea activităţilor.

Datele sunt urmele lăsate de anumite stări, situaţii, activităţi, judecăţi, opinii,
procese de calcul care pot fi reprezentate sub forma unor numere, şiruri de caractere,
grafice, imagini în vederea colectării, memorării şi prelucrării ulterioare. Luate
ca atare, datele nu au în mod necesar o semnificaţie care să poată servi unei
activităţi decizionale. (Filip, 2007)

Informaţiile sunt date care au fost prelucrate şi organizate, ceea ce le-a conferit
semnificaţie şi valoare în contextul unor situaţii decizionale putând fi utilizate în
rezolvarea problemelor decizionale.

Datele sunt folosite fie direct pentru informarea utilizatorului fie constituie intrări
ale modelelor implementate în cadrul sistemului.

Datele provin din diferite surse (interne sau externe organizaţiei) şi pot fi
stocate în baze şi depozite de date (având reprezentări cantitative în general – numerice).
Informaţiile au cu precădere un caracter calitativ şi se regăsesc în documente
electronice stocate fie în interiorul organizaţiei fie în afara acesteia în diferite locuri,
accesibile gratuit sau contracost. (figura 6).

5
 Figura 6. Componenta de management al datelor
(adaptare după Turban şi Aronson, 2001 şi Ref1.Istudor)

O deosebită importanţă prezintă subcomponenta de extragere şi pregătire a datelor

în vederea utilizării. In ultima perioadă s-au dezvoltat sisteme support pentru decizie cu
arhitecturi complexe, pentru Business Intelligence. Aplicaţiile de tip BI în general sunt
SSD orientate către date şi documente, integrate cu tehnologii de comunicare şi
multimedia.

Pentru un SSD calitatea datelor afectează calitatea deciziei finale care va fi luată
de către decidentul care-l foloseşte.

Problemele care pot apărea ca urmare a calităţii slabe a datelor sunt:

- datele acumulate în sistem nu sunt consistente în raport cu cu modul de
desfăşurare a activităţilor procesului decizional;
- datele sunt incorecte sau învechite;
- nu există datele necesare elaborării deciziei întrucât nimeni nu s-a gândit că ar fi
necesare

6
 Datele de foarte bună calitate determină probleme legate de resursele financiare
mari necesare pentru achiziţia lor.

Din punct de vedere al SSD, criteriile de calitate care trebuiesc avute în vedere
sunt:
- valabilitatea (corectitudine, acurateţe, certitudinea, credibilitatea);
- utilitatea (relevanţa, importanţa, semnificaţia, prospeţimea);
- calitatea reprezentării (claritatea, consistenţa, conciziunea).

Baza de date

Baza de date va servi la înregistrarea rezultatelor intermediare care au o anumită

semnificaţie în cursul prelucrărilor sau vor servi pentru alte operaţii necesare unui SSD.
La acest nivel, sistemul de suport pentru decizii serveşte ca memorie, în sensul păstrării
informaţiilor pentru o utilizare ulterioară.
Sistemul de gestiune a datelor înregistrează, de asemenea, deciziile care sunt
adoptate şi variantele identificate ca posibile soluţii. Analiza ulterioară a variantelor
decizionale reprezintă o opţiune foarte importantă a sistemelor suport pentru decizii,
deoarece permite îmbogăţirea experienţei decidenţilor, în vederea adoptării soluţiilor
potrivite şi a evitării repetării erorilor.
Componenta de gestiune a datelor reprezintă sursa de informaţii pe care se
bazează SSD-ul, intervenind în cursul prelucrărilor până la înregistrarea rezultatelor
finale.
Un aspect important legat de componenta de gestiune a datelor este faptul că
aceasta ar trebui să poată funcţiona independent de modelele utilizate, conducând,
astfel, către o mai mare flexibilitate a SSD-ului.
Există două posibilităţi cu privire la baza de date: situaţia în care se foloseşte în
construirea unui SSD, o bază de date existentă şi atunci SSD trebuie să se muleze după
aceasta şi situaţia în care baza de date este construită odată cu sistemul suport pentru
decizii.
În primul caz, ar putea apărea probleme legate de viteza de acces la baza de date şi
în construirea SSD se pune accentul pe interfaţa dintre sistem şi baza de date. În acest
prim caz ar putea constitui un atu volumul mare, deja existent, de date, în condiţiile în

7
care popularea unei astfel de baze ar putea necesita foarte mult efort.
În cazul în care construirea bazei de date se face odată cu construirea SSD, s-ar
putea obţine un rezultat mult mai bun, evitându-se efortul compatibilizării celor două,
acestea fiind deja proiectate compatibile (Airinei, 2006).

Un sistem suport pentru decizii poate include una sau mai multe baze de
date. Principalele funcţii ale componentei de gestiune a datelor sunt:
- crearea bazei de date – organizarea şi structurarea datelor (structura bazei de
date);
- popularizarea bazei de date – adăugarea de înregistrări;
- actualizarea bazei date – adăugarea, ştergerea, modificarea înregistrărilor,
adăugarea sau ştergerea de atribute (câmpuri), restructurarea bazei de date
prin definirea de noi legături între tabele pentru optimizarea accesului la date;
- definirea accesului la date a utilizatorilor (asigurarea confidenţialităţii
datelor pentru diferite categorii de utilizatori) – definirea drepturilor de acces;
Din punct de vedere al utilizatorului şi al SSD, componenta de gestiune a
datelor trebuie să asigure două funcţii importante: interogarea bazei de date şi
extragerea datelor din baza de date (Airinei, 2006).
Filip (2004), prezenta caracteristicile principale “dezirabile” ale unui sistem
de gestiune a datelor:
- generalitatea utilizabilităţii datelor (independenţa logică a acestora faţă de
programele informatice care le partajează şi independenţa fizică a acestora faţă
de suporturile de memorare);
- reducerea redondanţelor şi evitarea inconsistenţei datelor;
- flexibilitatea – posibilitatea de a realiza un acces rapid la o aceeaşi dată în
mai multe moduri posibile şi pentru scopuri diferite;
- posibilitatea de aplicare a unor măsuri de standardizare, de reglementare a
accesului autorizat şi de asigurare a integrităţii datelor.

Depozitul de date

Depozitele de date (Data Warehouse) reprezintă o clasă de bază de date

specializate. Depozitele de date sunt specific proiectate pentru a susţine procesul

8
decizional dintr-o organizaţie şi optimizate pentru interogări on-line rapide şi pentru
agregări complexe (Muntean,2003).

În 1995, Bill Inmon definea depozitul de date ca fiind “o colecţie de date orientată
pe subiect, integrată, dependentă de timp şi nevolatilă, destinată pentru a susţine
procesul decizional dintr-o organizaţie”.

Din această definiţie derivă caracteristicile esenţiale ale unui depozit de date:

- Orientat pe subiect. Într-un depozit, datele sunt organizate în funcţie

de subiectele importante pentru organizaţie, cum ar fi clienţii, produsele şi
activităţile.

- Integrat. Datele sunt integrate înaintea includerii lor în depozitul de date.

Datele trebuie să fie reprezentate, în depozitul de date, într-un format
consistent, pentru a permite analistului să se concentreze asupra utilizării
datelor din depozit şi nu asupra credibilităţii şi consistenţei lor.

- Nevolatil. În depozitul de date, există doar două tipuri de operaţii:

încărcarea iniţială a datelor şi interogarea datelor. Datele nu mai sunt
actualizate după ce au fost încărcate în depozitul de date. La proiectarea
depozitului de date, tratarea anomaliilor de actualizare nu mai este un
factor important.

- Dependent de timp. Datele din depozitul de date sunt asociate cu elemente

temporale. În depozitul de date, orizontul de timp este cuprins între 5 şi 10
ani, în timp ce în sistemele tranzacţionale poate lua valori între 60 şi 90 de
zile. De asemenea, structura cheilor conţine implicit sau explicit un
element de timp.

La aceste caracteristici, Filip (2004) adăuga şi separarea fizică de bazele de date

operaţionale. Această caracteristică e de dorit pentru a asigura furnizarea operativă
de răspunsuri la interogări şi, în acelaşi timp, a nu perturba funcţionalitatea
sistemelor de prelucrare a tranzacţiilor, care trebuie să satisfacă anumite cerinţe privind
securitatea datelor şi timpul de răspuns.

Rolul unui depozit de date este de a oferi o imagine coerentă asupra datelor

9
relative la activitatea unei organizaţii şi a contextului în care acesta acţionează.

Utilizarea acestei colecţii poate consta din:

- extragerea unor rapoarte (la cerere sau automat, cu o anumită
periodicitate),
- extragerea unor date pentru a fi utilizate de diferite aplicaţii, mai ales de
către aplicaţii specializate de analiză. Acestea ar putea fi împărţite în
două categorii:
o instrumente de analiză on-line (OLAP - On Line Analytical
Processing - aplicaţii axate pe analiză multidimensională)
o instrumente pentru "minerit" în date (data mining - aplicaţii
axate pe descoperirea unor şabloane semnificative în colecţii de
date).

Cel mai popular model pentru depozitele de date este modelul

multidimensional. Acesta poate fi în formă de stea, de fulg de zăpadă sau de
constelaţie (Airinei, 2006).

În dezvoltarea unui depozit de date sunt necesare trei categorii de instrumente:

- instrumente pentru extragere şi transformare – pentru extragerea,
transformarea, integrarea, curăţarea şi încărcarea datelor din sistemele sursă
în una sau mai multe baze de date ale sistemului;
- instrumente (tehnologii) de stocare a datelor în depozit – pentru a stoca
datele şi metadatele în depozit;
- instrumente de accesare şi utilizare a depozitului de date – pentru a accesa,
distribui şi prezenta datele din depozit către utilizatorii finali (Airinei, 2006).
Extragerea datelor din sistemele operaţionale se realizează în două metode:
- extragerea în masă (bulk extractions) - întregul depozit de date este
împrospătat periodic prin extragerea datelor din sistemele sursă, depozitul
fiind reconstruit complet. Această metodă implică costuri mari legate de
transmiterea datelor în reţea, dar are avantajul unui întreţineri comode a
depozitului de date.
- Replicarea - sunt extrase doar datele noi sau datele care au suferit

10
 modificări de la ultima extragere din sistemele sursă. Această metodă este
eficientă din punct de vedere al volumului de date ce se vehiculează pe
reţea, dar necesită aplicaţii complexe care să gestioneze schimbările
intervenite.

Tipuri de depozite de date (Muntean, 2004):

- depozitul de date tip galactic - asistă procesele decizionale manageriale
la nivelul întreprinderii;
- depozitul de date orientat pe un proces de afacere - asistă procesele
decizionale care privesc oricare şi toate procesele de afaceri şi legăturile lor
reciproce, precum şi cu mediul înconjurător;
- depozitul de date departamental - asistă procesele decizionale care
privesc oricare şi toate compartimentele şi interacţiunile lor reciproce,
precum şi cu mediul înconjurător;
- centru de date de tip proces de afaceri – asistă procesele decizionale
centrate pe un singur proces de afaceri;
- centru de date departamental - asistă procesele decizionale centrate
pe un singur departament.

Construirea unui depozit de date constituie un proces lung şi complex. De aceea

unele organizaţii utilizează centrele de date – data mart (Muntean, 2003).

Un centru de date este un depozit de date la nivel de departament, care are

dimensiuni mai reduse. El este concentrat pe un singur subiect şi preia date din sistemul
operaţional intern al organizaţiei, din depozitul de date central sau din surse externe.
Aceste centre de date permit o agregare mai rapidă a datelor, dar pot conduce la
probleme de integrare complexe.

III.2. Componenta de management al modelelor

Componenta de management al modelelor transformă datele din componenta de

management al datelor în informaţie care e folosită în procesul decizional şi asistă
utilizatorul în crearea de noi modele (Druzdzel, Flynn, 2002).

11
Facilitatile oferite de componenta de management al modelelor sunt următoarele:
- stocarea modelelor;
- utilizarea modelelor deja existente;
- facilitati de acces si de regasire a modelelor;
- facilitati de mentabilitate a modelelor existente cu posibilitati de pastrare a
solutiilor;
- construirea unor modele noi pe baza celor existente;
- flexibilitate, care consta în trecerea rapida de la o abordare la alta;
- consistenta care da posibilitatea ca acelasi model si aceleasi date sa fie accesate de
mai multi utilizatori.
Cerinţele acestei componente sunt:
- asigurarea comunicarii si schimbul de date dintre modele în momentul în care
sunt utilizate într-un anume context,
- asigurarea analizei si interpretarii rezultatelor obtinute în urma utilizarii unui
model standard.

Baza de modele a SSD-ului (dar nu este exclusă posibilitatea ca SSD să includă

doar un singur model) constă într-o colecţie de modele cantitative pre-programate, de
exemplu statistice, financiare sau de optimizare, organizate ca o singură unitate.

Stocarea modelelor se efectuează în baza de modele, astfel să păstreze

fiecare din programele relative la un model, dar trebuie să se asocieze la fiecare nume
de model, ansamblul de variabile pe care le utilizează: variabilele care se transmit la
sfârşitul prelucrării, datele care sunt necesare la începutul prelucrărilor, precum şi
cele care se modifică pe parcurs.
Modelele pot urmări diverse scopuri, cum ar fi:
 înţelegerea situaţiei decizionale,
 evaluarea consecinţelor eventualei aplicări a alternativelor
decizionale,
 recomandarea unei soluţii

În funcţie de scopul urmărit modelele pot fi:

- descriptive (explicative);

12
 - predictive (simulare);
- prescriptive (optimizare).

În funcţie de considerarea sau neconsiderarea variabilei timp în model:

- modele dinamice;
- modele statice.

În funcţie de gradul de certitudine:

- modele deterministe;
- modele stohastice (probabiliste).

În funcţie de nivelul decizional:

- modele strategice (la nivelul managementului executiv);
- modele tactice (la nivel mediu);
- modele operative (la nivel operational) .

În funcţie de tipul de problemă: (Power, 2002)

- modele pentru aplicaţii financiar contabile (analiză de indicatori
financiari, planificare de bugete, etc.);
- modele de analiza deciziilor în vedere stabilirii celei mai bune
alternative (arbori de decizie);
- modele de prognoză (analiza seriilor de timp, metode de regresie);
- modele de optimizare (planificare, alocare resurse, transport, etc);
- modele de simulare (evaluare consecinţelor alternativelor decizionale).

Componenta de management al modelelor (figura 6) este formată din patru sub-

componente:
- baza de modele
- dicţionarul bazei de modele
- subsistemul de management al bazei de modele
- procesorul de modele

13
 Figura 6. Componenta de management al modelelor

(adaptare după Turban şi Aronson, 2001 şi Ref1. Istudor)

Baza de modele este utilizată prin intermediul dicţionarului bazei de modele de

către subsistemul de management al bazei de modele. Acesta la rândul său comunică
cu procesorul de modele care execută modelul.
Subsistemul de management al bazei de modele:
 creează modelul folosind limbaje de programare, instrumente
SSD specifice îmreună cu alte elemente utilizate la construirea
modelelor (ex.: generatoare de numere aleatoare pentru modele de
simulare);
 actualizează modelele existente în baza de modele;
 gestionează datele modelelor;
 generează noi proceduri şi rapoarte.

Procesorul de modele:
 integrarea modelelor - presupune combinarea operaţiilor de la mai multe
modele
 executarea modelelor - este un proces controlat al rularii modelului curent

14
  acceptarea şi interpretarea instrucţiunilor de modelare provenite de la
interfaţa cu utilizatorul..

Dicţionarul bazei de modele menţine integritatea şi coerenţa bazei de modele

III.3. Componenta de management al bazei de cunoştinţe

Componenta de management a cunoştiinţelor este folosită de către sisteme suport

de decizie avansate pentru a furniza expertiza necesară pentru a rezolva anumite aspecte
ale problemei de decizie şi pentru a îmbunătăţi funcţionarea altor componente ale
SSD. Astfel de SSD-uri orientate către cunoştinţe mai sunt denumite sisteme suport
de decizie inteligente sau sisteme expert. (Filip, 2007)

Cunoştinţele: reprezintă o combinaţie fluidă de experienţe, valori, informaţii

contextuale şi intuiţie care oferă cadrul pentru evaluarea şi încorporarea unor noi
experienţe şi informaţii. Cunoştinţele apar şi se aplică în mintea oamenilor. În
organizaţii, cunoştinţele sunt încastrate nu doar în documente şi în depozite, ci şi în
procesele, practicile şi normele organizaţionale [3].

Cunoştinţele reprezintă premisa pentru deciziile şi acţiunile unei persoane, unui

grup de persoane sau unei organizaţii. Cunoştinţele pot suferi modificări în timpul
procesului de învăţare, care determină schimbări în modul de înţelegere, decizii şi
acţiuni. [6]

Dacă întrebările tipice referitoare la date sunt “cine?”, “ce?”, “unde?” şi “când?”,
întrebările specifice cunoştinţelor sunt “cum?” şi “de ce?”.

Sunt două mari categorii de cunoştinţe [4]:

 Cunoştinţe explicite – care pot fi transpuse într-un limbaj formal, pot fi înregistrate
şi pot fi transmise de la un individ la altul;

 Cunoştinţe tacite – cunoştinţele personale ale indivizilor care se bazează pe

experienţă şi alţi factori intangibili cum ar fi convingerile, perspectivele şi valorile.

15
 În funcţie de scop şi mod de utilizare, cunoştinţele se împart în [5]:

 Să ştii ce (Know-what) – acesta este nivelul fundamental al cunoştinţelor, pentru

că oamenii/grupurile/organizaţiile ştiu ce ştiu dar nu ştiu când şi cum vor aplica
cunoştinţele pentru a soluţiona problemele

 Să ştii cum (Know-how) – reprezintă abilitatea de a transforma cunoştinţele

învăţate, cunoştinţele din cărţi, în rezultate reale, tangibile – pe scurt, să ştii când
să foloseşti anumite cunoştinţe pentru a rezolva probleme reale

 Sa ştii de ce (Know-why) – acestea trec dincolo de stadiul “să ştii cum”. Aceste
cunoştinţe le permit indivizilor să facă un pas înainte faţă de “a şti cum” şi să
folosească cunoştinţele, având totodată abilitatea de a se confrunta cu situaţii
necunoscute

 Să îţi pese de ce (Care-why) – reprezintă creativitatea auto-motivată a angajaţilor

dintr-o companie. Este singurul nivel care nu poate fi sprijinit prin sistemul de
management bazat pe cunoştinţe dar poate fi sprijinit prin motivare sau practici
specifice managementului resurselor umane.

Pentru capturarea cunoştinţelor tacite de la indivizi sau grupuri se pot folosi trei abordări.
În multe cazuri, aceste abordări pot fi combinate [10]:

 Intervievarea experţilor – interviurile structurate cu experţii reprezintă cea mai

folosită tehnică pentru a transforma cunoştinţe esenţiale tacite în forme explicite. În
multe organizaţii, interviurile structurate sunt realizate atunci când angajaţii erudiţi,
cu multe cunoştinţe, se află aproape de vârsta pensionării.

 Învaţă din ceea ce ţi se spune – cel intervievat îşi exprimă cunoştinţele şi le

rafinează şi, în acelaşi timp, intervievatorul clarifică şi validează cunoştinţele,
punându-le într-o formă explicită. Această formă de achiziţionare a cunoştinţelor
presupune, printre altele, simulări, care sunt eficiente mai ales în etapele ulterioare, de
validare, rafinare şi definitivare a procesului de capturare a cunoştinţelor.

 Învaţă din observaţii – observarea este un instrument important care poate oferi o
mulţime de informaţii. Observarea în linişte este cea mai bună metodă de a surprinde
anumite caracteristici spontane ale unui proces sau ale unei proceduri.

16
Mai sunt şi alte tehnici care pot fi folosite pentru obţinerea cunoştinţelor tacite de la
indivizi şi grupuri, printre care [10, 11]:

 Relatarea poveştilor – poveştile sunt un alt mijloc excelent pentru capturarea şi

codificarea cunoştinţelor tacite. O poveste organizaţională presupune o relatare
detaliată a acţiunilor managerilor, a interacţiunilor dintre angajaţi sau a altor
evenimente ale organizaţiei care sunt transmise informal în cadrul firmei.
Transmiterea informaţiilor prin intermediul poveştilor este o modalitate foarte bună,
deoarece informaţiile rămân mai mult în memoria angajaţilor decât s-ar fi întâmplat
în alt context. Poveştile îmbunătăţesc învăţarea organizaţională, evidenţiază valori
comune şi seturi de reguli; ele reprezintă un mijloc excelent pentru capturarea,
codificarea şi transmiterea cunoştinţelor tacite cu valoare ridicată.

 Chestionarele sau sondajele – atunci când trebuie intervievati mulţi oameni, primul
pas îl reprezintă elaborarea unui chestionar, urmată de interviurile individuale.
Chestionarul poate să conţină întrebări închise şi/sau deschise. Întrebările deschise
sunt cele mai bune pentru a obţine multe informaţii, întrucât nu limitează
respondentul la alegerea unuia dintre răspunsurile predefinite, cum este cazul
întrebărilor închise.

 Brainstorming sau sesiunile ad-hoc – acestea sunt sesiuni care nu durează mai mult
de 30 de minute şi în care se împărtăşesc idei într-o atmosferă deschisă,
stimulatoare. Aceste sesiuni pot să aibă loc în timpul întâlnirilor faţă în faţă, sau se
pot desfăşura prin intermediul mijloacelor IT, în e-mail, teleconferinţe sau camere
de chat.

 Focus grupuri – presupun sesiuni structurate în care unui grup de stakeholderi i se

cere părerea cu privire la diferite probleme prezentate.

 Istorioare cu tâlc – reprezintă o retrospectivă a celor mai importante evenimente care

au avut loc în trecutul recent al organizaţiei, descrise de persoanele care au fost
implicaţi în aceste evenimente. Elaborarea istorioarelor începe cu stabilirea scopului
istorioarei, a evenimentului care va fi relatat. Apoi participanţilor la eveniment li se
cere să expună opinia lor, modul de gândire pe care l-au folosit. Apar astfel
elemente noi; capturarea şi codificarea acestor elemente determină creşterea

17
 activelor de cunoştinţe ale firmei. După aceea, informaţiile adunate din interviuri
sunt sintetizate într-o formă mai uşor de citit, accesat şi înţeles. În această formă,
istorioara este scrisă, validată şi publicată, pentru a o disemina. Astfel, istorioara
devine parte din memoria organizaţiei. O istorioară cu tâlc este aşadar relatarea a
succeselor şi eşecurilor, pentru a surprinde cele mai bune practici şi lecţiile învăţate.

 Documentarea –documentarea se poate face din sistemele existente, din informaţiile

arhivate, politici, manuale de proceduri, rapoarte, notiţele întâlnirilor, standarde, e-
mailuri, reglementări publice, alte ghiduri, etc.

 Participarea – învăţarea din ceea ce faci sau trainingul la locul de muncă reprezintă
surse nepreţuite pentru obţinerea cunoştinţelor şi pentru creşterea experienţei. Este o
formă de învăţare experimentală, deductivă, prin care se înţelege sensul diferitelor
întâmplări care apar şi se stabileşte o legătură cauzală între acţiuni şi rezultate.
Ucenicia, trainingurile şi mentoringul sunt modalităti prin care persoanele cu
experienţă transmit cunoştinţe către novici, neiniţiaţi.

 Analiza sarcinilor – este o metodă care presupune analiza fiecărei sarcini pe care o
realizează un expert şi caracterizarea acestor sarcini din perspectiva cunoştinţelor şi
abilităţilor necesare, frecvenţei, dificultăţii, suprapunerea cu alte sarcini. De
asemenea, se analizează care sunt consecinţele în cazul apariţiei unor erori şi cum
este percepută sarcina respectivă de expertul care o realizează (rutină, aşteptată cu
nerăbdare sau cu teamă). Această analiză se poate face prin observare (în tăcere)
sau prin interviu direct cu expertul în cauză.

 Învăţarea de la alţii – presupune activităţi cum ar fi benchmarkingul extern – acesta

implică învăţarea despre cele mai bune practici ale liderilor, din diferite publicaţii şi
site-uri, urmată de adaptarea şi adoptarea celor mai bune practici ale acestora.
Benchmarking este util pentru identificarea unor moduri mai bune de a face afaceri.
Alte surse de învăţare sunt achiziţia firmelor sau fuziunile, participarea la conferinţe
şi expoziţii. De asemenea, invitarea unor specialişti într-o organizaţie reprezintă o
oportunitate pentru a aduce o perspectivă nouă sau un punct de vedere diferit asupra
dificultăţilor cu care se confruntă firma.

Codificarea cunoştinţelor explicite se realizează prin diferite tehnici, cum ar fi hărţile

18
cognitive, arborii decizionali, nomenclatorul cunoştinţelor şi analiza sarcinilor [10]:

 Hărţile cognitive – odată ce expertiza, experienţa şi know-how-ul au fost

transformate în cunoştinţe explicite, rezultatul poate fi reprezentat sub forma unei
hărţi cognitive. O hartă cognitivă este reprezentarea “modelului mental” al
cunoştinţelor unei persoane şi reprezintă o formă de codificare a cunoştinţelor. În
cadrul hărţilor cognitive, nodurile reprezintă concept cheie, iar legăturile dintre ele
arată interacţiunile dintre concepte. Hărţile cognitive permit experţilor să construiască
modele de cunoştinţe şi să arate mai multe perspective sau puncte de vedere (4).

 Arborii decizionali – apar de regulă sub forma unei diagrame de flux, care alternează
ramurile indicând impactul diferitelor decizii. Un arbore decizional poate reprezenta
multe “reguli”, iar atunci când se merge logic pe o ramură, se evită regulile care nu
sunt relevante pentru situaţia în cauză. (5).

 Nomenclatorul cunoştinţelor – conceptele pot fi considerate baza de construcţie a

cunoştinţelor şi expertizei. Nomenclatoarele reprezintă sisteme de clasificare care ne
ajută să descriem conceptele şi dependenţele dintre acestea, de regulă într-o
modalitate ierarhică. Cu cât conceptul este plasat mai sus, cu atât acesta este mai
general. Cu cât este plasat mai jos, cu atât este mai specific. Această abordare permite
conceptelor specific situate mai jos în nomenclator să încorporeze atributele
conceptelor “părinţi”, situate mai sus (6).

Cunoştinţele pot juca diverse roluri ce constau în:

 exprimarea mesajelor într-un limbaj neprocedural şi prelucrarea inteligentă a
acestora;
 evaluarea şi alegerea alternativei decizionale;
 crearea asistată a modelelor;
 alegerea şi înlănţuirea algoritmilor de rezolvare pentru probleme structurate;
 evaluarea rezultatelor şi sugerarea de modificări ale unor parametri în vederea
recalculării soluţiei.

Baza de cunoștințe este folosita pentru stocarea tuturor tuturor cunoştiinţelor (fapte,
reguli, metode de rezolvare etc.) specifice domeniului de aplicație, preluate de la
experții umani sau din alte surse

19
Cele mai cunoscute metode de reprezentare a cunoştinţelor sunt:

 logica predicatelor

 reguli de producţie

 structuri (obiecte) şi reţele semantice

 programe conventionale

Logica predicatelor

Logica predicatelor furnizează mecanisme pentru reprezentarea faptelor şi raţionamente

bazate pe manipularea sintatică a formulelor logice. Foloseste reguli predefinite de
inferenţă pentru declararea sau deducerea unor fapte. În logica cu predicate de gradul I,
formulele sunt manipulate pur şi simplu în funcţie de forma sau structura lor. Marele
dezavantaj al acestei scheme este faptul că nu se poate lua în considerare sensul sau
contextul semantic al formulelor.

În logica predicatelor, toate deducţiile sunt bazate pe deducţii logice, şi regulile de

inferenţă sunt garantat corecte. În plus, un program logic va genera toate inferenţele
posibile, luând în calcul toate faptele şi regulile. Cu toate că asemenea sisteme logice
bazate pe predicate deduc toate faptele posibile, abilitatea lor de a duce la bun sfârsit o
căutare bazată pe constrangeri prin fapte şi inferenţe este limitată. Acest lucru este datorat
în principal inabilităţii lor de a termina cu bine o căutare ghidată şi de a reprezenta o
strategie de căutare. Pe măsură ce noi fapte sunt generate, regulile de inferenţă sunt
aplicate pentru a declara noi fapte. Acest process va continua, ducând la explozii
combinatorii pană când scopul iniţial este atins. Doar o declaraţie de fapte cu constrângeri
poate îmbunătăţi situaţia, ceea ce este destul de dificil în logica predicatelor. În plus,
sistemele bazate pe logica predicatelor încearcă să aplice toate regulile de inferenţă
tuturor faptelor. Nu există nici un mecanism de grupare a faptelor şi de a asocia reguli
specifice de inferenţă diferitelor grupuri. Chiar şi în sistemele expert bazate pe logica
predicatelor, care simulează viaţa reală, există un număr de fapte şi reguli. Având în
vedere limitările de mai sus, devine dificil să aplicăm logica predicatelor şi scheme de
reprezentare a cunoştinţelor bazate pe aceasta în sisteme expert. O schemă bună de
reprezentare a cunoştinţelor ar trebui să aibă capacitatea de a reprezenta situaţii din viaţa

20
reală (obiecte şi relaţii între ele), care pot fi exploatate prin strategii ghidate eficiente de
căutare şi care ar reflecta mai bine modul în care oamenii percep şi simt.

Reguli de producţie

Regulile de productie sunt forme simple, dar puternice, de reprezentare a cunoştinţelor,

care oferă flexibilitatea combinării reprezentărilor declarative şi procedurale pentru a le
folosi într-o formă unificată. O regula de producţie are o mulţime de ipoteze şi una de
concluzii. Ipoteza specifica o multime de condiţii şi consecinţele unor anumite acţiuni.

În mod tipic, o bază de cunoştinţe va consta dintr-o multime mare de reguli. În mod logic,
regulile pot fi grupate în diferite baze de reguli. O reţea de cunoştinţe reprezentând o
mulţime de reguli ar trebui completată cu conexiunile potrivite în interiorul nodurilor
reţelei. De aici, desenarea reţelei de cunoştinţe îi dă inginerului oportunitatea de a verifica
baza de cunoştinţe pentru posibile inconsistenţe sau redundanţe.

Structuri (obiecte) şi reţele semantice

Obiectele sunt forme foarte puternice de reprezentare a faptelor în sisteme expert. Sunt
foarte potrivite pentru reprezentarea cunoştinţelor declarative, care descriu entităţi fizice
şi relaţii semantice. Orice activitate inginerească este centrată în jurul unui artefact sau al
unei facilităţi, iar informaţii detaliate despre artefacte sunt necesare pentru a lua decizii în
legatură cu aceasta. Diferite atribute ale artefactului pot fi folosite la diferite stadii de
rezolvare ale unei probleme, cum ar fi planificarea, analiza, detalierea, construcţia etc. De
aici, este potrivit să se folosească obiectele cu atribute încapsulate pentru a avea o
reprezentare mai structurată a faptelor în context, în timpul execuţiei sistemului expert.
De asemenea, regulile ar trebui să fie capabile să interacţioneze cu obiectele.

O structură poate de asemenea să fie făcută relaţională în natură, oriunde structura

conţine informaţii despre relaţiile structurii cu alte structuri. Numai valorile pentru
structurile specifice trebuie să fie obţinute explicit. Acest concept este foarte similar cu
„clasele” sau „instanţele” din programarea orientata-obiect. Facilitatea de a avea structuri
descriind relaţiile cu alte structuri furnizează un mecanism pentru a defini reţele de
structuri în context, cu link-uri (relaţii) descrise folosind semantici. Acest tip de reţele
sunt numite reţele semantice. Într-un sistem expert realizat pentru aplicaţii care simulează

21
viaţa reală, o combinţie de reguli şi structuri este necesară pentru a reprezenta domeniul
de cunoştinţe.

Programe convenţionale

Rezolvarea problemei într-un mod ingineresc implică calcule numerice computaţionale,

în afara inferenţelor folosind cunoştinţele. Într-un sistem expert care simulează viaţa
reala, sistemul trebuie să execute calcule numerice la diferite stadii ale procesului de
soluţionare. Cantitatea de calcule poate fi foarte mică în unele cazuri şi destul de mare în
altele. Bazată pe valorile inferenţelor, o analiză detaliată a artefactelor ar putea trebui
realizată pentru a evalua corectitudinea parametrilor la care s-a ajuns. Cunoştinţele
cantitative cer astfel de calcule care pot fi reprezentate ca funcţii sau programe scrise în
limbaje de programare de nivel înalt cum ar fi Fortran sau C. Un sistem expert ar trebui
să fie capabil să apeleze aceste programe atunci când sunt necesare în timpul rezolvării
problemei. Astfel, acestea formează de asemenea o parte a bazei de cunoştinţe a unui
sistem expert.

Cele mai multe shell-uri de dezvoltare ale sistemelor expert furnizează facilităţi de
reprezentare a cunoştinţelor în trei forme: vizual, prin reguli, structuri şi funcţii în limbaje
procedurale. Reprezentarea cunoştinţelor sub forma logicii cu predicate este forma
naturală în Prolog, unul dintre limbajele specializate în Inteligenţa artificială. Prolog
oferă reprezentarea folosind logica predicatelor cu inferenţe backtracking, ceea ce este
inadecvat pentru dezvoltarea sistemelor expert de mare anvergură pentru aplicaţii
practice. [20]

Un sistem cu o bază de cunoştinţe este un sistem capabil să reproducă demersul de

rezolvare a unei probleme ca şi un expert uman care se confruntă cu o problemă
relevantă pentru competenţa sa.

Procesul de dezvoltare a unei baze de cunoştinţe se împarte în cinci etape:

1. Analiza datelor problemei de rezolvat;
2. Specificarea cunoştinţelor domeniului de aplicare - etapă critică a procesului de
dezvoltare a bazei de cunoştinţe (Duribreux, 1995). Ea urmăreşte construirea unui
model de abstractizare de înalt nivel care să fie accesibil grupului de actori implicaţi
în dezvoltarea bazei de cunoştinţe. Etapa se înscrie într-un ciclu iterativ de achiziţie a

22
 cunoştinţelor ai cărei actori principali sunt expertul şi cogniticianul (inginerul de
cunoştinţe). Ciclu iterativ (figura 7) constă în colectarea datelor de expertiză şi
definirea modelului conceptual verificat şi validat de expert (Mc Graw şi Herbison-
Briggs, 1989).

Figura 7. Dezvoltarea bazei de cunoştinţe – specificarea

cunoştinţelor
(adaptare după Mc Graw şi Herbison-Briggs, 1989 şi Ref1.
Istudor)

Modelul conceptual permite inginerului de cunoştinţe o exprimare mai bună a

domeniului de expertiză. Acesta specifică metodele prin care baza de cunoştinţe
participă la rezolvarea problemelor.

Există trei metode de achiziţie a cunoştinţelor:

 Metode empirice - achiziţia empirică de cunoştinţe este realizată de
către un inginer de cunoştinţe care stabileşte o punte de legătură între expert şi baza
de cunoştinţe. Aceste metode sunt bazate pe comunicarea între expert şi inginerul de
cunoştinţe.
 Metode semiautomate: presupun extragerea cunoştinţelor unui expert cu
ajutorul unui editor inteligent .
 Metode automate: presupun extragerea cunoştinţelor din cărţi cu ajutorul
unui program de scanare şi înţelegere a textului sau din bazele de date prin tehnici
de învăţare. Sisteme care utilizează această metodă funcţionează fie prin

23
 recunoaşterea scrisului de mână şi înţelegerea limbajului natural, fie pornesc de la o
bază de date de exemple. În cea de-a doua situaţie, modul de achiziţie este numit
învăţare şi are drept scop să imite procesul natural de învăţare al omului. Există două
abordări - abordarea simbolică numită şi învăţarea simbolică automată, care îşi
propune să achiziţioneze în mod automat cunoştinţele şi o abordare conexionistă
bazată pe reţele neuronale.

În general, metodele semiautomate şi automate nu permit dobândirea tuturor

cunoştinţelor necesare dezvoltării bazei de cunoştinţe. În practică, o fază de achiziţie
empirică are ca scop completarea achiziţiei de cunoştinţe. Acest proces de achizitie a
fost repede considerat ca fiind punctul slab al ingineriei cunoştinţelor. Colectarea
cunoştinţelor este acompaniată de o fază de structurare a cunoştinţelor în care diferite
categorii de cunoştinţe sunt evidenţiate.
3. Proiectarea bazei de cunoştiinţe;
4. Realizarea bazei de cunoştiinţe;
5. Verificarea, evaluarea şi validarea bazei de cunoştiinţe - verificarea domeniului de
competenţă al bazei de cunoştinţe şi aptitudinea ei de a răspunde cerinţelor
(Caulier 1997).

Motor de deducţie

CUNOŞTIINŢE DECLARATIVE
Fapte
Cunoştinţe de domeniu
Vocabular
Constrângeri
OPERATIONALE
Euristici
Exemple de soluții
META-CUNOAȘTERE
Sens comun
Meta-norme
învățare
sarcini generice

Bază de cunoştinţe

24