Streszczenie
W artykule przedstawiono metody i narzĊdzia wspomagające wyszukiwanie eks-pertów i ekspertyz. Po przedstawieniu ich rozwoju od systemów opartych na uzupeł-nianych rĊcznie przez ekspertów bazach danych do systemów automatycznie pozy-skujących informacje o ekspertach z róĪnych Ĩródeł - uwagĊ skoncentrowano na wybranych systemach: Expert Seeker oraz Preciseer, które stanowią przykłady róĪ-nych podejĞü pozyskania wiedzy niejawnej w organizacji.
Słowa kluczowe: wyszukiwanie ekspertów, wyszukiwanie ekspertyz 1. Wstp
Jedn z motywacji do doskonalenia technologii informacji jest potrzeba pozyskania wiedzy w organizacji. Próby stworzenia jednego wielkiego serwera wiedzy organizacji na wzór encyklopedii s skazane na niepowodzenie. Jeli technologia ma sprzyja efektywnemu wykorzystaniu wiedzy w organizacji, powinna dostarcza nie tylko dostpu do jawnych dokumentów, ale take wiedzy niejawnej tkwicej w poszczególnych osobach i relacjach midzy nimi. Poprzez uzewntrznianie niejawnej wiedzy, technologie mog ułatwi współprac i dzielenie si wiedz w organizacji.
Rozpoznanie potrzeb w zakresie dzielenia si wiedz jest od jakiego czasu celem wysiłków podejmowanych m.in. przez specjalistów zajmujcych si problematyk zarzdzania wiedz (Knowledge Management) oraz komputerowo wspomaganej pracy grupowej (Computer Suppor-ted Collaborative Work). Powstały nowe koncepcje, m.in.: kapitalizacja ekspertyzy, wydobywanie wiedzy o zdolnociach (skill mining), zarzdzanie kompetencjami, zarzdzanie intelektualnym kapitałem, sieci ekspertyz, systemy dzielenia wiedzy. Zasadniczym problemem zarzdzania wie-dz jest jednake ustalenie osoby, która moe by ródłem poszukiwanej wiedzy, innymi słowy: osoby, która t wiedz moe udostpni – eksperta.
Celem niniejszej pracy jest przedstawienie metod wspomagajcych wyszukiwanie ekspertów i ekspertyz. Zarysowano główne kierunki rozwoju systemów wyszukiwania ekspertów oraz zapre-zentowano przykłady. Naley podkreli, e wyszukiwanie ekspertów i ekspertyz stanowi jedn z czci obszaru zarzdzania wiedz. Wyszukiwanie ekspertyz nie bdzie w pełni satysfakcjonujce, jeli nie bdzie jednoczesnych wysiłków nad rozwojem pozostałych aspektów zarzdzania wiedz w organizacji.
2. Motywy poszukiwania ekspertów
Na podstawie wywiadów z przedstawicielami rónych instytucji badawczych zajmujcych si problemem wyszukiwania ekspertów jak i literatury przeprowadzone badania [3] identyfikuj dwa główne motywy poszukiwania eksperta. Jeden z nich okrela szukanego eksperta „jako ródło informacji”, a drugi „jako kogo, kto potrafi wykona okrelone funkcje”. Podział ten, mimo, e nie do koca wyrany, przydatny jest podczas analizy celów automatycznego wyszukiwania eks-pertów.
Ludzie szukaj eksperta „jako ródła informacji” w celu skompletowania swoich ródeł w po-staci dokumentów czy baz danych w okrelonych przypadkach [3]:
• Dostp do nie dokumentowanych informacji. Nie wszystkie informacje w organizacji mog by dokładnie udokumentowane. Niektóre z nich mog zawiera si w praktyce zawodowej i dowiadczeniu konkretnych osób,
• Wymagania specyfikacji. Uytkownicy informacji w przypadku niebyt dobrze zdefiniowane-go problemu potrzebuj konsultacji z ekspertem,
• Poleganie na ekspertyzie innych. Uytkownicy czsto oczekuj minimalizacji wysiłku i czasu potrzebnego do znalezienia jakiej porcji informacji – rozumujc, e to co dla nich stanowi „mnóstwo pracy” dla eksperta jest „niewielk prac”,
• Potrzeba interpretacji. Uytkownicy czasami nie interesuj si sam informacj, co jej inter-pretacj – konsekwencjami, implikacjami z ni zwizanymi,
• Potrzeby psychologiczne. Niektórzy uytkownicy ceni sobie bardziej ludzki wymiar bezpo-rednich kontaktów z ekspertem, w którym istnieje znacznie wiksza interakcja ni w przy-padku korzystania z dokumentów i zasobów komputera.
Poszukiwanie eksperta „jako kogo, kto potrafi wykona okrelone funkcje” wie si najcz-ciej z:
• Poszukiwaniem konsultanta, pracownika, kogo kto wykona dane funkcje, • Poszukiwaniem współpracownika, członka zespołu, recenzenta.
Motywacj poszukiwania eksperta „jako ródła informacji” okrelono potrzeb informacji, natomiast motywacj poszukiwania eksperta „jako kogo, kto potrafi wykona okrelone funkcje” - potrzeb ekspertyzy [3]. Uytkownicy majcy potrzeb ekspertyzy tworz swoje zapytanie w oparciu o wiksz ilo jakociowych i ilociowych parametrów. Przykładowo, szukajc eksperta „jako ródła informacji” zadaj najczciej proste pytanie „Kto wie o temacie X?”, natomiast szukajc ekspertyzy pytaj „Jak dobrze Y zna si na problemach X?”, „Co jeszcze wie Y?”, „Jak Y wypada w porównaniu z innymi znawcami problemu X?”.
3. Automatyczne wspomaganie poszukiwania ekspertów – tradycyjne podejcie
Ludzie szukajcy ekspertów potrzebuj całego zestawu danych i usług zwizanych z ludzk ekspertyz. W odpowiedzi na te zapotrzebowania tworzone s systemy majce na celu zautomaty-zowanie procesu wyszukiwa.
Jedna z dróg automatyzacji procesu wyszukiwania polega na rozwijaniu baz ekspertów (map wiedzy, katalogów wiedzy) poprzez rczne wprowadzanie danych o ekspertach. Systemy takie jak Microsoft’s SPUD, Hewlett-Packard’s CONNEX (http://www.carrozza.com/connex/) oraz SAGE People Finder s przykładami takiego podejcia. Wadami takich rozwiza s [3]:
• Rczne uzupełnianie baz danych jest pracochłonne i kosztowne,
• Bazy danych s zwykle obcione skłonnoci ekspertów do sporzdzania zbyt szczegółowe-go opisu swoich ekspertyz lub odwrotnie - bywaj niekompletne i zbyt ogólne,
• Biorc pod uwag zmienny charakter cech opisujcych stan wiedzy, zdolnoci i dowiadcze-nie człowieka – wiele rczdowiadcze-nie prowadzonych baz zawiera przestarzałe dane.
Strony internetowe, które prowadz pracownicy dostarcza mog wiele informacji o nich samych i ich specjalizacji i s take wykorzystywane przez osoby poszukujce ekspertyzy. Przeszukiwanie Internetu lub Intranetu moe doprowadzi nas do stron ekspertów z danej dziedziny. Wprawdzie takie strony internetowe mog okaza si dobrym ródłem na temat ekspertów, jednak proste me-chanizmy wyszukiwania dostpne w zwykłych wyszukiwarkach nie daj efektywnych rezultatów. Ponadto wówczas zadanie ekstrakcji, kompilacji i analizy danych ley całkowicie po stronie uyt-kownika.
4. Systemy automatycznego wyszukiwania ekspertów
Twórcy systemów wyszukiwania ekspertów (expert finders, expert recommenders) staraj si ograniczy wady, które ujawniły si przy pierwszych próbach automatycznego wyszukiwania. W systemach tych próbuje si automatycznie pozyska dane o ekspertyzie na podstawie ukrytych i drugorzdnych ródeł zamiast polega jedynie na ekspertach i zasobach kadrowych.
Jednym z pierwszych systemów typu expert finders był system HelpNet (1986). System ten po przyjciu zapytania dotyczcego wymaganych informacji generuje odpowied w postaci listy osób uporzdkowanej wg prawdopodobiestwa, e dana osoba moe dostarczy satysfakcjonuj-cej odpowiedzi. Prawdopodobiestwo jest obliczane przy uyciu modelu wyszukiwania informacji (IR), który wie oszacowan ekspertyz zawart w odpowiedziach z prawdopodobiestwem, e dany uytkownik mógłby by usatysfakcjonowany odpowiedzi ze znalezionego ródła.
Inny znany system z tej kategorii to Expert/Expert-Locator (EEL) z roku 1988 (zwany take Bellcore Advisor). System ten pobiera zapytanie w jzyku naturalnym i przy uyciu metody Latent Semantic Indexing (LSI) zwraca odnoniki do pobliskich (dziedzinowo) grup badaczy. System EEL tworzy indeks ekspertyz grup badaczy opierajc si na reprezentatywnej kolekcji dokumen-tów technicznych, które oni napisali [3].
Powstały take systemy profilujce ekspertów na podstawie ich kontaktów – głównie poprzez wewntrzn poczt elektroniczn (m.in. KnowledgeMail TM firmy Tacit Knowledge Systems Inc.). Na rynku polskim take powstaj takie systemy – przykładowo Preciser firmy Prosto Tech-nologies (prezentowany w dalszej czci) [4].
Expert Seeker jest przykładem systemu wykorzystujcego do pozyskiwania wiedzy o eksper-tach technologi text mining. Zadaniem systemu jest lokalizowanie intelektualnego kapitału we-wntrz organizacji na wszystkich poziomach – od techników do profesorów (take prezentowany w dalszej czci) [1].
5. Ogólny model systemów wyszukiwania ekspertów i ekspertyz
Analizujc powstałe systemy szukajce ekspertów i ekspertyz autorzy [3] stworzyli model dziedzinowy identyfikujcy siedem aspektów, których uwzgldnienia wymaga budowa takich systemów:
1. Podstawy pozyskania ekspertyzy. Systemy wyszukujce ekspertów uywaj rónego typu materiałów dokumentujcych ekspertyz. Ogólnie mona podzieli materiały na jawne i ukry-te.
2. Ekstrakcja ekspertyzy. Gdy ródła zostan zidentyfikowane – nastpuje ekstrakcja ekspertyzy. 3. Model ekspertyzy. Model ekspertyzy to meta-opis ekspertyzy człowieka, jego zdolnoci itp. Taki model róni si od rekordu w bazie danych ekspertów, głównie tym, e zawiera pewien stopie niepewnoci odnonie zgodnoci z rzeczywist ekspertyz człowieka.
4. Mechanizm zapyta. System moe wymaga od uytkownika jawnego zapytania systemu o ekspertów lub moe wnioskowa potrzeby ekspertyzy na podstawie aktywnoci uytkownika. 5. Dopasowanie operacji. W celu zidentyfikowania ekspertów – informacje i potrzeby ekspertyz
s dopasowywane do modeli ekspertów uywanych przez techniki wyszukiwania takie jak dopasowanie słów kluczowych lub dopasowanie na podstawie podobiestwa (model wekto-rowy). Niektóre z systemów mog by wyposaone w mechanizm wnioskujcy.
6. Prezentacja wyników. Systemy wyszukujce ekspertów mog prezentowa wyniki w rónym stopniu szczegółowoci.
7. Adaptacja i nauka systemu. Operacje wykonane przez uytkownika podczas poprzednich wyszukiwa ekspertów mog zosta wykorzystane do okrelenia profilu preferencji uyt-kownika.
Wymienione aspekty wyznaczaj jednoczenie etapy działania systemów wyszukiwania eks-pertów. Powstajce systemy róni si midzy sob doborem rozwiza w poszczególnych eta-pach. Najbardziej istotna rónica kształtuje si ju w etapie pierwszym – wyboru pozyskania pod-stawy ekspertyzy. Rola systemów, które bazuj tylko na wiedzy jawnej (np. samoocenie eksper-tów, danych kadrowych) sprowadza si głównie do realizacji sprawnego wyszukiwania danych o ekspertach i ich prezentacji. Natomiast systemy aspirujce do korzystania z wiedzy niejawnej – musz by dodatkowo wyposaone w zdolno do jej pozyskiwania i gromadzenia.
6. Przykłady systemów wyszukiwania ekspertów
Zaprezentowane zostan dwa systemy wyszukiwania ekspertów – oba staraj si pozyskiwa wiedz niejawn, ale kady w nieco inny sposób. System Expert Seeker podejmuje działania w kierunku automatycznego pozyskiwania wiedzy o ekspertach angaujc w tym celu zaawansowa-ne technologie pozyskiwania informacji (m.in. data mining). System – Preciseer to przykład im-plementacji na polskim rynku, który zaprojektowano tak, aby zachci pracowników do ujawnia-nia swojej wiedzy.
6.1. System Expert Seeker
Systemy nazywane People-Finder Systems – to składnice wiedzy, które próbuj zarzdza wiedz przez gromadzenie odnoników do ekspertów, którzy posiadaj specyficzn wiedz we-wntrz organizacji. Intencj rozwoju takich systemów jest katalogowanie wiedzy o kompeten-cjach, włczajc informacje pochwycone z innych ni tradycyjne ródła (takie jak systemy kadro-we) [1]. Expert Seeker (ES) jest systemem typu People-Finder KMS, uywanym do lokalizacji ekspertów w NASA. ES reprezentuje wany krok w kierunku osignicia celu automatycznego i intuicyjnego odkrywania i identyfikowania intelektualnego kapitału w organizacji. Wiele syste-mów polega na samoocenie, autorzy ES rozpoznaj potencjał technologii sztucznej inteligencji,
szczególnie data mining i clustering techniques w odkrywaniu i tworzeniu map ekspertyz w orga-nizacji.
Expert Seeker – jest dostpny w sieci Intranetu Centrum Kosmicznym Kennedy’ego. System pozwala uytkownikowi wyszukiwa wiele szczegółów odnonie osigni ekspertów, włczajc takie informacje jak własno intelektualna, zdolnoci i kompetencje. ES dostarcza dostp do informacji, które nie s dostpne w typowych systemach kadrowych – takie jak wykonane projek-ty, patenprojek-ty, hobby.
Główny interfejs zapyta systemu ES wykorzystuje pola tekstowe do szukania obszarów eks-pertyzy wg słów kluczowych. Informacje s gromadzone w oparciu o multimedialne bazy danych. Celem ES jest zunifikowanie połczonych zbiorów danych w dostpnym w sieci repozytorium, które moe by łatwo przeszukiwane.
Rozwój ES wymaga wykorzystania jak tylko to moliwe istniejcych danych. ES wykorzystu-je dane zawarte w bazach kadrowych (takie jak formalna edukacja); baz zdolnoci, która profiluwykorzystu-je obszary kompetencji kadego pracownika; katalog zawierajcy informacje o kontaktach pracow-ników (X.500 Directory); system samooceny pracowpracow-ników (GPES); oraz bazy systemu zarzdza-nia projektami (PRMS). Ponadto system korzysta z innych istotnych w ustalaniu profilu ekspertów informacji – takich jak zdjcia pracownika, dane o projektach, w których brał udział, hobby.
Dodatkowym ródłem systemu jest repozytorium dokumentów tworzonych przez pracowni-ków. Przy uyciu technik data mining na podstawie treci dokumentów tworzona jest tematyczna macierz ekspertów. Autorzy systemu wykorzystali algorytm TFIDF do zmierzenia niepowtarzal-noci i trafniepowtarzal-noci treci dokumentu w kolekcji dokumentów pod wzgldem uycia słów kluczo-wych. Algorytm TFIDF posługuje si nastpujcym wzorem:
wij = tfij * log(N/n), gdzie w jest wynikiem dla termu i w dokumencie j, natomiast tf jest cz-stoci termu i w dokumencie j. N – ilo wszystkich dokumentów, n – ilo dokumentów zawie-rajcych term i niewiele razy. Rysunek 1 przedstawia architektur systemu ES.
Rysunek 1. Architektura systemu Expert Seeker, Ĩródło: [1]
Twórcy dyli do automatycznego wydobywania danych. Signito w tym celu po techniki z obszaru data mining dostosowanych do warunków pracy w sieci internetowej [2].
User Sprcified Data X 500 Directory Skills Database PRMS HR Data-base GPES Electronic Document Manag. Generate Employee Profiles Update Employee Profiles Expert Seeker GUI Web Based
Tradycyjne metody wydobywania wiedzy (data mining) bazuj na uporzdkowanych, zwar-tych grupach informacji zamieszczonych w bazach danych. Sie Web ma natomiast lun struktu-r, cechuje j brak centralnego punktu przechowywania informacji i nieuporzdkowanie danych. W zalenoci od postaci danych wyrónia si kilka typów web data mining [2], m.in. Web Content Mining – inteligentne szukanie wskazanych danych w zasobach sieciowych rónego typu, w tym: w tekcie oraz danych multimedialnych,
Web Content Mining bazuje na text mining i technikach wyszukiwania informacji (IR). W tra-dycyjnym systemie IR uytkownik zadaje pytanie i system zwraca wszystkie dokumenty, które pasuj do wprowadzonych słów kluczowych. Expert Seeker opiera si na technikach IR, które id nieco dalej. Kiedy uytkownik wprowadza pytanie system pocztkowo przeszukuje dokumenty wg wprowadzonych danych. Jednak kiedy uytkownik szuka ekspertów w specyficznej dziedzinie, system zwraca nazwiska tych pracowników, których nazwiska ukazuj si w dopasowanych do-kumentach. Stopie relacji midzy nazw pracownika a słowem kluczowym wewntrz dokumentu nie jest rozwaany. Ekspertyza jest okrelana w oparciu o załoenie, e jeli pracownik powtarza si w wielu dokumentach, to powinien mie pewn wiedz na temat danego termu.
Technologie uyte w implementacji systemu Expert Seeker: Cold Fusion 4.0, Java Script; Ac-tive Server Pages ASP (Coding and Programming); SQL Server 7.0 (Databases); Verity (Search capabilities); Adobe Phototshop 5.0 (GUI); HTML i inne narzdzia internetowe.
6.2. System Preciseer
Wiedza w systemie Preciseer znajduje si zarówno w katalogach zawierajcych dokumenty, jak równie jest ona wnioskowana przez mechanizmy ekspertowe. Uytkownik systemu Preciser w celu zlokalizowania wiedzy moe wykorzysta nastpujce mechanizmy [4]:
• Przegld katalogu dokumentów, • Zaawansowane wyszukiwanie wiedzy,
• Lokalizacja ekspertów z kadej dziedziny wiedzy.
W bazie wiedzy znajduj si połczone relacjami dokumenty oraz odnoniki do zasobów ze-wntrznych. Cz dokumentów połczona jest ze sob relacj struktury drzewiastej. Pozycja dokumentu wskazuje znaczenie dokumentu w bazie oraz domen wiedzy, któr reprezentuje.
Preciseer udostpnia uytkownikowi narzdzie do lokalizowania informacji w katalogu wie-dzy. Wyszukiwanie ekspertów w systemie zwraca nie dokumenty, ale list ekspertów z wyszuki-wanej dziedziny. Zadawanie pyta odbywa si przy pomocy sformułowa typu: Podaj ekspertów z dziedziny X, Podaj ekspertów z dziedziny Y, ale nie z X, Podaj ekspertów z dziedziny Z i/lub X.
Preciseer pozwala uytkownikowi na dokonanie oceny kadego dokumentu, do którego po-siada uprawnienia. Pracownicy mog przypisa ocen procentow, która wg nich odpowiada da-nemu dokumentowi pod wzgldem trafnoci udzielonej odpowiedzi. Kada ocena dokumentu jest rejestrowana w systemie.
Jednym z istotnych zada Preciseer jest szacowanie wiedzy pracowników w poszczególnych dziedzinach wiedzy. System znajc nazwiska autorów dokumentów oraz oceny pracowników czytajcych te dokumenty szacuje na tej podstawie stopie fachowoci ekspertów. Uytkownik w wyszukiwarce ekspertów po zadaniu zapytania otrzymuje list ekspertów z podan przy kadym szacowan wiedz eksperta w poszukiwanej dziedzinie (w procentach).
Po zlokalizowaniu eksperta uytkownik zadaje mu pytanie. Odbywa si to czsto przy pomo-cy poczty elektronicznej. Moduł QA Vehilce dostarcza mechanizm zadawania pyta i wysyłania
odpowiedzi za porednictwem poczty elektronicznej. Osoba pytajca moe subiektywnie oceni otrzyman odpowied, co bdzie stanowiło kolejn podstaw szacunku oceny ekspertów. W sys-temie prowadzone s karty ekspertów, oprócz danych osobowych zawieraj: ilo pyta, które otrzymał pracownik, ilo pyta, na które pracownik odpowiedział, redni warto ocen jego odpowiedzi, redni czas odpowiedzi. QA Vehicle stanowi nie tylko mechanizm komunikacji, ale take fundamenty do szacowania wiedzy o pracowniku, o jego zainteresowaniach, zaangaowaniu oraz aktywnoci.
Proces wyszukiwania ekspertów nie moe by skuteczny bez zaangaowania ze strony pra-cowników – musz oni chcie dzieli si swoj wiedz, publikowa swoje dokumenty, odpowia-da na pytania. System spełnia ma zatem rol nie tylko rejestratora wydarze, ale na nie wpływa – motywujc pracowników do otwarcia si na wspólne uytkowanie wiedzy w organizacji.
Preciseer System wykonany jest w architekturze trójwarstwowej z interfejsem typu „cienki klient”, dziki czemu funkcjonalno aplikacji dostpna jest za pomoc przegldarki internetowej z kadego komputera podłczonego do sieci firmowej. W Preciseer wykorzystano dodatkowe elementy systemowe w postaci rozszerze [4]: Internet Explorer Add-in, MS Office Plugin, MS Outlook, Windows Shell Extension.
7. Uwagi ko cowe
Systemy wyszukujce ekspertów i ekspertyz zajmuj podobszar funkcjonalnoci systemów wspomagajcych zarzdzanie wiedz w całej organizacji. Skuteczno zarzdzania wiedz zaley czsto od dialogu pomidzy pracownikami organizacji. Wiedza zawarta w monologach (dokumen-ty zawierajce samoocen, CV itp.) moe nie wystarczy do wydobycia pełnej informacji na te-mat dostpnych w organizacji ekspertyz. Pocztkowo prace nad autote-matyzacj procesu wyszuki-wania ekspertów były ukierunkowane głównie na udostpnienie uytkownikom moliwie wygod-nych narzdzi przeszukiwania jawwygod-nych zbiorów dawygod-nych, obecnie jednak kładzie si nacisk na rol dialogu w kształtowaniu wiedzy w organizacji. „Podsłuchiwanie” takiego dialogu nie jest łatwe. Wydaje si, e postawienie problemu: „eksperci sobie, systemy wyszukujce ekspertów sobie” nie pozwoli uzyska satysfakcjonujcych rezultatów. Eksperci powinni chcie dzieli si swoj wie-dz, tak aby stosowane metody jej automatycznego pozyskiwania nie przypominały za bardzo pracy tajnych agentów. Dialog musi w organizacji zaistnie i naley zachci pracowników, aby zostawiali lady po nim w postaci moliwych do analizy komputerowej ródeł. Odchodzi si od koncepcji systemów wyszukiwania ekspertów narzucajcych na ekspertów obowizek stałego uzupełniania ustalonych baz ekspertyz, na rzecz systemów samodzielnie pobierajcych sobie po-trzebne informacje z rónych ródeł i dokonujcych wstpnej analizy. Prezentowany system Expert Seeker próbuje uzyska wiedz na temat ekspertyz przy uyciu technologii data mining. Stosuje si take inne inteligentne metody, w tym systemy ekspertowe, które maj na celu wspo-móc uzupełnianie repozytorium wiedzy w organizacji.
Dobór metod wyszukiwania ekspertów zaley od wybranych do współpracy z systemem ró-deł ekspertyz. Systemy polegajce jedynie na oficjalnych zasobach kadrowych wykorzystuj ty-powe metody wyszukiwania informacji (IR). W im wikszym stopniu system ma polega na zaso-bach rozproszonych, rónorodnych – tym silniej musi zosta wyposaony w elementy inteligent-nego pozyskiwania informacji. Poniewa wiedza o ekspertyzach jest najczciej zapisana w natu-ralnym jzyku – metody automatycznego pozyskiwania wiedzy musz by wyposaone w techni-ki analizy tekstu.
Omawiany system Preciseer stosuje system motywacyjny oparty o oceny ekspertów i ich eks-pertyz. System ten nie obcia pracowników koniecznoci tworzenia i uzupełniania bazy - repo-zytorium, ale zachca do zostawiania licznych ladów w systemie – w postaci publikowanych dokumentów, w treci korespondencji elektronicznej. Dyskusyjny moe by sposób motywacji (procentowe oceny dokumentów i odpowiedzi na listy). Nie jest on wolny od zagroe – nietrudno sobie wyobrazi „rozgadanych ekspertów”, którzy w wikszym stopniu zbieraj punkty ni fak-tycznie pracuj i pomnaaj swoj i cudz wiedz. Idea dzielenia si wiedz jest obarczona pew-nymi ograniczeniami, jedne wynikaj z poziomu uprawnie, a pozostałe zwizane s z gospoda-rowaniem czasem poszczególnych osób. Wzajemna wymiana wiedzy ma pomaga tworzy kapitał wiedzy w organizacji, ale nie moe polega na chaotycznym szmerze, gdzie kady w kadej chwili moe kademu przeszkodzi i zada pytanie. Powstajce systemy powinny szanowa zarówno czasow niedostpno eksperta jak i jego prywatno.
Koncepcja systemu motywujcego pracowników do współpracy (ze sob i z samym syste-mem) jest warta uwagi. Uwidacznia ona wzajemne powizania technologii i zarzdzania w organi-zacji. Sprawno systemów wyszukujcych ekspertów zaley nie tylko od zastosowanych metod informatycznych, ale take podejcia samych pracowników do koncepcji dzielenia si wiedz i prowadzenia dialogu.
Dalsze prace nad systemami tego typu bd miały na celu rozwój narzdzi ekstrakcji danych, dobór metod ułatwiajcych tworzenie profilów ekspertów oraz doskonalenie sposobów wizualiza-cji wyników [3].
Bibliografia
1. Becerra-Fernandez I., 2000. Facilitating the Online Search of Experts at NASA using Ex-pert Seeker People-Finder. Third International Conference on Practical Aspects of Knowledge Management. Basel Switzerland.
2. Becerra-Fernandez I., 2001. Searching for Experts with Expertise-Locator Knowledge Management Systems. Proceedings of the Association for Computational Linguistics Conference Workshop on Human Language Technology and Knowledge Management. Toulouse France.
3. Yimam-Seid D., Kobsa A., 2002. Expert Finding Systems for Organizations: Problem and Domain Analysis and the DEMOIR Approach. Journal of Organizational Computing and Electronic Commerce.
4. Materiały na temat systemu Preciseer zawarte na stronie producenta firmy Prosto Tech-nologies z Rzeszowa http://www.proosto.com/cms/go/27
METHODS AND TOOLS SUPPORTING EXPERT AND EXPERTISE SEARCH
Summary
The article presents methods and tools supporting expert and expertise search. After the presentation of their development from systems based on databases cre-ated manually by experts to systems gaining information automatically from various sources – the paper concentrates on the selected systems: Expert Seeker and Pre-ciseer, as examples of different approaches to gain tacit knowledge in an organiza-tion.
Keywords: Expert Search, Expertise Search
ANNA KEMPA
Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach 40-287 Katowice, ul. 1 Maja 50
