Manajemen Pengetahuan dalam Sistem Pendukung Keputusan Lingkungan

Judul paper asli: Knowledge Management in Environmental Decision Support Systems

Penulis: U.Cortes, dkk.

Manajemen Pengetahuan dalam Sistem Pendukung Keputusan Lingkungan

Penerjemah: https://komarudintasdik.wordpress.com

Kami berdiskusi dalam paper ini bagaimana disiplin-disiplin diketahui sebagai Manajemen Pengetahuan yang dapat memperbaiki beberapa jenis Sistem Lingkungan. Secara khusus kami membahas Environmental Decision Support Systems [sistem pendukung keputusan lingkungan] (EDSS). Pada dekade yang lalu, EDSS muncul sebagai tool perangkat lunak yang sesuai untuk mendukung pembuatan keputusan kontrol guna memaksimalkan performa sistem dan meminimalisir dampak negatif dari kesalahan. Knowledge Management in Environmental Decision Support Systems muncul sebagai kebutuhan atas EDSS user untuk meletakkan jaminan pada tindakan sistem tapi metodologi-metodologi ini masih kurang dieksplorasi. Pada paper ini, pendekatan pertama untuk melanjutkan Knowledge Management Technology dengan mengidentifikasi banyak sekali isu relevan, diperkenalkan dan didiskusikan.

Keywords: Knowledge Management, Environmental Sciences, Environmental Decision Support Systems.

1. Mukadimah

Rule-rule yang kompleks berpengaruh atas lingkungan ketika tindakan manusia memiliki dampak penting padanya. Contoh, peningkatan ritme industrialisasi, urbanisasi dan pertumbuhan populasi, yang mana bumi selama abad ke 20 telah memaksa masyarakat untuk mempertimbangkan apakah manusia mengubah kondisi yang esensial untuk kehidupan di bumi. Seringkali, ada kebutuhan untuk mempengaruhi dinamika proses lingkungan dan membiaskan evolusinya ke dalam tujuan yang diinginkan. Tapi proses lingkungan tidak mudah untuk memodelkan dan pengetahuan kita masih belum lengkap dan ragu-ragu. Berkenaan dengan faktor-faktor ini sangat penting bahwa setiap bit pengetahuan tentang proses-proses itu, posibilitas perbaikan, inovasi, dll. secara efektif diungkap, disatukan dan didistribusikan di antara semua aktor yang terlibat dalam proses manajemen pengetahuan.

Tahun-tahun ini Manajemen Pengetahuan (KM) telah berkembang dari sebuah kebutuhan menuju disiplin full-fledged (luas) yang diadopsi melalui beberapa sektor aktivitas [13]. Mula-mula ditemukan sebagai sekelompok metode yang fokus pada pengungkapan aset-aset pengetahuan [38] organisasi untuk meningkatkan kemampuan belajarnya dan, selain itu, posibilitasnya untuk mengantisipasi, berinovasi dan mengamankan edge yang kompetitif, teknik-teknik manajemen pengetahuan sedang digunakan dalam banyak bidang untuk membantu perkembangan inovasi. Seperti beberapa penulis dalam bidang Sistem Lingkungan telah katakan [21], ada kebutuhan penekanan untuk mengambil keuntungan perkembangan KM dalam Informatika Lingkungan. Dengan demikian, ada beberapa aspek Sistem Lingkungan yang memperkenalkan keanehan-keanehan dalam KM dan suatu eksplorasi perubahan metodologis harus dilakukan untuk memanfaatkan dari perkembangan dalam KM. Kami mempresentasikan framework untuk setting proyek KMS dalam sistem Lingkungan dan selanjutnya meletakkan rangkaian aspek-aspek konseptualiasi dan metodologis yang merepresentasikan kontribusi untuk adaptasi KM ini pada Informatika Lingkungan. Lebih konkritnya, kami fokus pada Sistem Pendukung Keputusan Lingkungan (EDSS) [7-9.28] dan menunjukkan bagaimana framework biasa dapat diaplikasikan dalam setting proyek KM dalam Sistem Keputusan Lingkungan.

Pada dekade yang lalu, EDSS muncul sebagai tool perangkat lunak yang sesuai untuk mendukung pembuatan keputusan kontrol untuk memaksimalkan performa sistem dan untuk meminimalisir dampak negatif dari kesalahan-kesalahan pada lingkungan. Pada banyak proses lingkungan ini secara tidak langsung menyatakan sistem monitoring cerdas berkelanjutan, peningkatan volume data dan, dalam banyak contoh, meningkatkan horison waktu di dalam keputusan kontrol mana yang harus dibuat. Juga, ciri umum dari masalah-masalah lingkungan menciptakan keharusan untuk mendistribusikan komputasi, dan kemudian juga, kebutuhan untuk mengintegrasikan dan berbagi hasil parsial yang diperoleh. Tambahan pula, dan dengan lebih kritis, EDSS tidak hanya mampu menghasilkan solusi yang beralasan (reasonable) dan dapat dipahami, tapi juga harus memungkinkan memperluas pengetahuan domainnya secara progresif. Ini tampak krusial untuk penerimaan sistem-sistem dalam domain dunia nyata [1] dan [29]. EDSS merupakan sistem sensitif lingkungan yang mampu bertindak untuk menopang lingkungan. Semua aspek ini, bersama dengan keahlian manusia yang dibangun di sekitar operasi dan konstruksi jenis-jenis sistem ini, memunculkan pertanyaan-pertanyaan menarik untuk manajemen pengetahuan yang dihasilkan oleh dan di sekitar sistem-sistem ini.

Di sini kami mempresentasikan pendekatan pertama untuk Metodologi Manajemen Pengetahuan dengan mengidentifikasi isu-isu yang sangat relevan dan konsekuensinya untuk lokasi tersebut, pengungkilan dan distribusi pengetahuan yang relevan.

Pengorganisasian paper ini sebagai berikut. Pada Bagian 2, kami secara singkat mengelompokkan tujuan Manajemen Pengetahuan secara umum dengan fokus khusus pada hubungannya  dengan Teknologi Berbasis Pengetahuan. Pada Bagian 3 kami mengeksplorasi isu eksploitasi pengetahuan dari sudut pandang Kecerdasan Buatan dan Manajemen Pengetahuan. Ide kuncinya adalah mempresentasikan teknologi AI sebagai sumber daya pengetahuan. Pada Bagian 4, kami menjelaskan sinergi yang ada di antara Manajemen Pengetahuan dan sistem lingkungan, yang melakukan survey beberapa proposal terbaru. Kemudian, Bagian 5 mendeskripsikan model umum untuk EDSS yang menandai isu eksploitasi sumber daya pengetahuan yang berbeda. Kami mempresentasikan framework berbasis tiga dimensi untuk merencanakan proses-proses manajemen pengetahuan. Setelah itu, pendekatan ini istimewa untuk EDSS dan kami membahas bagaimana kualitas manajemen ini dianggap penting untuk performa yang bagus dari jenis sistem ini. Pada Bagian admp kami memperkenalkan teknologi agen sebagai metafora yang mungkin untuk mengimplementasikan EDSS menggunakan pendekatan KM.

Terakhir pada Bagian 7, beberapa kesimpulan dan pertanyaan terbuka dibahas.

1. Manajemen Pengetahuan: Gamaran Umum

Manajemen Pengetahuan (KM) merupakan disiplin yang tujuan utamanya adalah mengembangkan metode-metode dan tool-tool untuk mendeteksi, mengungkil, mendistribusikan dan meningkatkan aset pengetahuan sebuah organisasi [26]. Latar belakangnya terdiri atas beberapa sumber berbeda sebagai teori organisasi, sistem informasi, teori manajemen umum, representasi pengetahuan, manusia dan pembelajaran mesin, sosiologi pekerjaan, dll.

Pandangan dominan tentang KM muncul sebagaimana memulai poin bahwa pengetahuan berawal dan berkembang dalam komunitas masyarakat di dalam organisasi dengan sekelompok tujuan umum [42]. Pengetahuan diciptakan, di-share, dan didistribusikan dengan sekelompok rule eksplisit atau implisit yang biasanya untuk semua anggota organisasi. Pengetahuan ini mengambil bentuk-bentuk yang sangat berbeda, tidak semuanya menerima laporan hasil komputerisasi, tidak semuanya mudah di-convert ke dalam data. Perbedaan sering terjadi di antara pengetahuan eksplisit dan tacit [26]. Sederhananya, yang pertama adalah bahwa jenis pengetahuan dapat diverbalisasikan secara mudah atau direpresentasikan  dengan dokumen, data file, rule operasi, dll. Lebih cenderung pada sifat definisional (bagan) daripada pengetahuan tacit. Ini lebih terikat dengan aspek perilaku dan sensorimotor pengetahuan. Dikelompokkan dengan kesulitan atas kesadaran posesi dan konsekuensinya, lebih sulit untuk memperoleh dan menjadikannya eksplisit. Ini merupakan sesuatu yang harus terdengar familiar bagi siapa saja dalam Kecerdasan Buatan yang telah terlibat dalam pemerolehan pengetahuan dari para pakar. Pada kasus apapun, sangat dikenal sebagai manfaat untuk semua organisasi untuk memulai praktek, tool dan sistem untuk menyusun pengetahuan implisit ke dalam pengetahuan eksplisit  dan, sebagai hasil, mampu mendistribusikan pengetahuan relevan untuk masyarakat yang relevan dalam organisasi sehingga membantu perkembangan pembelajaran organisasi. Konseptualisasi ini menyatakan bahwa pembelajaran organisasi mencakup inovasi dan sikap inovasi itu meningkatkan kemampuan menyeluruh organisasi untuk berkompetisi. Ketika mengadopsi perspektif manajemen pengetahuan beberapa level keinginan dapat dipilih:

1. Manajemen pengetahuan strategis berhubungan dengan menunjuk dengan tepat peluang-peluang untuk menemukan, mendistrubusikan dan mentransfer pengetahuan terkait dengan tujuan jangka panjang sebuah organisasi. Contohnya, ini mencakup keputusan untuk mengubah dari satu sektor aktivitas ke sektor yang lainnya.
2. Manajemen pengetahuan taktis ditujukan untuk penemuan, pendistribusian dan transfer pengetahuan untuk tujuan jangka menengah organisasi. Biasanya, itu secara tidak langsung muncul dan spesialisasi inisiatif level strategis untuk beberapa bidang aktivitas di dalam organisasi.
3. Manajemen pengetahuan operasional yang mengimplementasikan jenis KM sebelumnya pada sistem harian atau operasi jangka pendek. Secara khusus, ini mungkin mencakup perubahan dalam koleksi data yang ada, dalam subsistem interpretasi, dalam organisasi, dan dalam kebiasaan manusia yang luar biasa.

Yang biasa untuk semua level keinginan merupakan kebutuhan untuk menemukan kantong-kantong pengetahuan, merencanakan cara-cara untuk menjadikannya eksplisit dan mendistribusikannya serta menemukan dan mengimplementasikan metode-metode, tool dan rutinitas untuk mentransfer pengetahuan itu secara efektif untuk manusia atau sistem sebenarnya. Langkah-langkah ini dapat dilakukan dengan cara-cara yang berbeda. Biasanya KM harus berhubungan dengan bagaimana manusia bekerja, bagaimana mereka mengkonseptualiasikan pekerjaannya dan bagaimana mereka mengubah pengetahuan implisit ke dalam pengetahuan eksplisit. Sehingga harus juga berkenaan dengan memutuskan sistem IT mana yang memberikan support pada jenis-jenis aktivitas ini dengan dimensi bisnisnya. Lihat [12, 13, 26, 43] untuk pembahasan seksama semua aspek koleksi contoh aplikasi yang sangat banyak. Kritik umum dalam semua pembahasan ini adalah yang mengatakan bahwa metode manajemen pengetahuan tidak harus diidentifikasi dengan konstruksi sistem Pendukung Informasi untuk membantu dalam melokalisir, mengungkil, mendistribusikan dan mentransfer pengetahuan. Untuk pembahasan komprehensif tentang ini dan mengilustrasikan sistem IT aktual yang memberikan dukungan pada proyek KM, lihat [3]. Manajemen pengetahuan terlibat, kemudian, aspek-aspek yang berhubungan dengan manusia, sistem informasi dan praktek bisnis.

Beberapa kajian dapat ditemukan yang menjelaskan peluang-peluang untuk cross-fertilization di antara KM dan Informatika Lingkungan. Lihat, contohnya, [39]. Contoh klasik lain tentang KM melibatkan aspek lingkungan seperti sistem British Petroleum KM Global sangat bagus yang memiliki banyak aspek berkaitan dengan emergency lingkungan yang berhubungan dengan operasional perusahaan [2]. Kami akan memfokuskan pembahasan ini pada aplikasinya untuk EDSS.

1. EDSS: eksploitasi sumber daya pengetahuan

Dalam pembahasan bagaimana Manajemen Pengetahuan dapat diaplikasikan untuk EDSS, kami harus men-set out dengan menetapkan EDSS itu jenis sistem apa dan bagaimana sistem ini diorganisir. Kami akan membahas sumber pengetahuan mana yang harus digunakan semua sistem seperti ini dan peluang mana untuk KM.

Proposal kami untuk arsitektur Manajemen Pengetahuan dalam EDSS memiliki tiga level: Pengumpulan dan Interpretasi Data, Diagnosis atau Prediksi, Pendukung Keputusan (lihat Gambar 1).

Level-level itu memungkinkan untuk menangkap ciri kompleks dari permasalahan lingkungan dan menetapkan interaksi di antara level yang berbeda dari alasan yang terlibat. Ini ditujukan untuk diimplementasikan sebagai sistem multi agen di mana agen-agen merespon secara rasional untuk tujuannya dan event-event yang terjadi dalam lingkungannya. Agen-agen ini memiliki sekelompok             khusus kondisi dan tujuan yang luar biasa, yang menunjukkan event yang harus mereka respon. Arsitektur ini menekankan masalah informasi dan sumber pengetahuan heterogen. EDSS biasanya harus dikuasai dengan jenis data yang sangat berbeda, biasanya berkisar dari sejumlah besar urutan numerik yang muncul secara real time dari berbagai sensor, memvisualisasikan informasi dari kamera video, memastikan pesan informal seperti panggilan telpon. Data yang kurang lengkap, atau bahkan salah mungkin akan muncul.

EDSS menggunakan sumber daya pengetahuan yang berbeda dan ini biasanya secara tidak langsung menunjukkan cara-cara yang berbeda untuk mengenstraksi pengetahuan dari informasi, yaitu, untuk menjadikan eksplisit pengetahuan yang implisit dalam data. Interpretasi tepat dari kombinasi beberapa sumber pengetahuan ini akan berhasil dalam identifikasi event lingkungan sebagai:

1. Identifikasi risiko
2. Memperkirakan risiko
3. Evaluasi risiko
4. Intervensi/pembuatan keputusan

di mana EDSS memainkan peran strategis dalam rangkaian pembuatan keputusan yang membantu mengatasi masalah dengan lebih efisien.

Gambar 2. Akses Data Cerdas

Pada langkah pertama dari cycle manajemen pengetahuan, dikatakan, pengungkilan dan ekstraksi pengetahuan, akses cerdas ke data (lihat Gambar 2) memberikan banyak pilihan tool yang berguna dan sangat kuat untuk mengeksploitasi berbagai sumber daya Pengetahuan yang tersedia.

Dalam masalah lingkungan, ruang data tidak terlalu mudah didefinisikan, dikumpulkan atau diinterpretasikan. Dalam level data eksplisit, ada beberapa sumber daya pengetahuan khusus. Kami dapat menemukan basis data konvensional dalam bentuk basis data berorientasi objek atau basis data relasional yang dibutuhkan, di sisi lain, bahasa pengaksesan khusus dan juga, prosedur penyesuaian sempurna untuk melakukan retrieval informasi. Sumber pengetahuan lain adalah sistem berbasis pengetahuan seperti sistem pakar yang mengasumsikan struktur data yang sudah dikenal. Tergantung pada sistem ini, batasan pada bahasa pengaksesan dan prosedur penyesuaian mungkin juga dapat diaplikasikan. Beberapa sistem lainnya dalam area ini memungkinkan ekspresi lebih fleksibel dari query-query pengetahuan dan prosedur penyesuaian yang tidak tepat. Contohnya, sistem logika fuzzy menunjukkan fleksibilitas ini.

Metode yang lebih ditekuni untuk eksploitasi pengetahuan seperti knowledge discovery dalam basis data atau data mining digunakan untuk menemukan hubungan tersembunyi dari data yang merefleksikan operasi-operasi EDSS yang sudah lalu. Dengan demikian, data mining dapat dilihat sebagai tool untuk mengungkil pengetahuan dari sumber-sumber data eksplisit.

Sistem EDSS telah terikat pada Multimedia and Geographical Information System (GIS). Sistem ini menghasilkan sumber informasi baru dan sangat berharga. Sayangnya, interpretasi pengetahuan implisit otomatis kurang dapat dipertanggung-jawabkan untuk metode ekstraksi pengetahuan otomatis [22]. Untuk kebanyakan masalah Lingkungan ada sejumlah besar data tentang proses-proses itu sendiri tapi informasi tentang relasi kausal atau dependensi di antara variabel yang relevan biasanya tidak dikenal dengan baik atau sangat jarang [18].

Satu cara untuk mengatasi masalah ini adalah menggunakan Case-Based Reasoning (CBR) tools yang biasanya memungkinkan pencarian fuzzy (yakni tidak jelas). Dalam pengertian, CBR mengimplementasikan jenis pemeringkatan otomatis pelajaran-pelajaran yang lalu, lebih dikenal dengan metode eksplisitasi dan menjadikan kasus praktis terbaik dan solusi tersedia benar-benar tersebar luas dalam banyak metode manajemen pengetahuan. Tambahan pula, CBR memungkinkan sistem untuk mendeteksi kebuntuan. Teknologi ini memungkinkan EDSS belajar dengan memberikan akses ke pengalaman dan keahlian [32]. Dalam beberapa kasus penggunaan pendekatan CBR mencakup aplikasi luas dari ontologi-ontologi untuk meningkatkan penggunaan domain dari pengalaman yang lalu dan mengurangi situasi-situasi kebuntuan. Yang masih kurang jelas adalah pemahaman bagaimana membangun ontologi secara sistematis [6]. Sumber pengetahuan lain yang sangat relevan dengan EDSS dan yang fundamental dari perspektif Manajemen Pengetahuan adalah pengetahuan yang berasal dari manusia. Pengetahuan ini dapat menemukan beberapa profil orang di sekitar EDSS yang mungin memiliki beberapa tingkatan pengetahuan yang bisa relevan dengan pembuatan keputusan. Biasanya orang-orang ini tergolong dari yang mendesain sistem sampai mereka yang mengambil keputusan operasional berdasarkan pekerjaannya. Siapapun yang terlibat dalam desain EDSS atau sistem lingkungan aktual yang beroperasi di bawah kontrolnya secara potensial merupakan sumber informasi dan pengetahuan. Beberapa tool dapat ditemukan untuk melayani komunitas ini, mengekstraksi pengetahuan yang mereka miliki dan mendistribusikannya ke orang yang relevan dan berpotensi lainnya yang dapat belajar dari pengetahuan terakumulasi. Penting juga, bahwa diharuskan mampu membedakan jenis pengetahuan milik manusia mana yang dapat dimasukkan ke dalam sistem pengetahuan EDSS. Dengan kata lain, perlu untuk mengetahui jenis pengetahuan manusia mana yang dapat dijadikan eksplisit dalam bentuk yang sama atau paling sedikit kemiripannya ke jenis pengetahuan yang digunakan untuk merepresentasikan pengetahuan yang digunakan oleh sistem otomatis.

1. Manajemen Pengetahuan dalam EDSS

Proses manajemen pengetahuan biasanya mulai dengan mencoba menjawab dua pertanyaan: Jenis pengetahuan apa yang harus diintegrasikan? Dan bagaimana mengintegrasikannya? Pertanyaan pertama biasanya didekati sebagai langkah perolehan pengetahuan yang biasanya diakui menjadi proses yang sangat lambat dan mahal. Perolehan Pengetahuan dalam Masalah Lingkungan tidak terkecuali. Ketersediaan pengetahuan atau bahkan sumber-sumber data itu lambat diperoleh, dalam beberapa kasus pengetahuan tentang proses lingkungan dianggap strategis untuk perusahaan yang memilikinya sehingga tidak di-share.

Gambar 3. Mengintegrasikan teknologi: apa?

Tentang apa yang harus diintegrasikan (lihat Gambar 3) terlihat level integrasi pertama yang dibuat dari data riil yang masuk dari sensor dan atau sumber online lain.

Secara khusus, pengetahuan yang diintegrasikan adalah:

1. Data dari sensor
2. Pengetahuan yang digunakan dalam pembuatan keputusan
3. Pengetahuan dari orang yang berhubungan dengan EDSS.

Tentang bagaimana aspek integrasinya, kami membedakan beberapa langkah yang kami sebut klasifikasi, korelasi dan pencarian. Biasanya metode dalam langkah pertama dari perolehan dan integrasi ini merupakan sebagian bentuk dari proses klasifikasi. Klasifikasi bertujuan untuk reduksi kompleksitas data dan peningkatan level abstraksi dalam deskripsi sumber pengetahuan. Faktanya, deskripsi hasil dari proses klasifikasi secara tidak langsung menunjukkan perubahan dalam bahasa deskripsi yang berkembang dari bahasa data untuk bahasa deskripsi pengetahuan. Idealnya bahasa deskripsi pengetahuan ini harus melekat pada ontologi domain tersebut.

Setelah klasifikasi diperoleh langkah kedua diambil. Yang kita sebut langkah korelasi mengarah pada penggunaan indeksasi yang dihasilkan dengan proses klasifikasi untuk menghasilkan jenis abstrak objek-objek seperti kelas-kelas dan/atau prototipe-prototipe yang dapat digunakan dalam beralasan selama proses pembuatan keputusan. Dalam fase korelasi, penting untuk menemukan relasi yang ada di antara objek-objek abstrak dan keputusan yang diinginkan. ini melibatkan suatu jenis validasi pengetahuan. Khususnya untuk mengukur bagaimana penggunaan dampak objek abstrak pada kualitas keputusan.

Dari sudut pandang pengetahuan yang berasal dari manusia, kami bisa melihat proses klasifikasi-korelasi juga sebagai cara penglihatan yang valid pada apa yang sedang terjadi dalam eksplisitasi pengetahuan yang relevan, yaitu, pada perolehan pengetahuan. Pendekatan biasa [3] adalah menggunakan interaksi manusia dengan suatu jenis sistem berbagi pengetahuan untuk mengekstraksi pengetahuan baru. Jenis sistem ini biasanya melibatkan beberapa utilitas untuk pembuatan pesan, pencarian dokumen, penempatan keahlian, konferensi, dll. Dalam kasus itu tugas klasifikasi menambang informasi dihasilkan user untuk memotong-motong dokumentasi yang berhubungan dengan konsep penting yang digunakan dalam pembuatan keputusan atau yang dihubungkan dengan deskripsi dan solusi masalah lingkungan. Proses clustering untuk menemukan kelompok-kelompok dokumen serupa berhubungan dengan status konsep, masalah dan proses atau solusi yang mungkin diambil untuk digunakan dalam langkah klasifikasi itu. Korelasi di sini biasanya mengambil bentuk yang berhubungan dengan dokumen atau rekomendasi yang sudah diklasifikasikan dengan konsep dan parameter yang mendeskripsikan situasi terbaru di mana pembuatan keputusan dilakukan. Sumber pengetahuan milik manusia biasanya tidak terstruktur sehingga dapat membuat proses klasifikasi lebih susah. Dengan demikian, jika memori organisasi digunakan di mana konsep strukturisasi itu sama, atau paling tidak, berhubungan dengan yang digunakan dalam ontologi domain, maka proses yang lebih mudah adalah langkah korelasi yang sesuai. Jika semua user sistem berbagi suatu jenis memori organisasi di mana dokumen-dokumen ditambahkan ke dan di-retrieve dari, langkah korelasi ini harus mampu menghubungkan dokumen yang relevan terhadap situasi pembuatan keputusan terbaru. Penting untuk dicatat bahwa memori ini secara sederhana bukan basis data atau basis data dokumentasi. Dengan demikian, ini cenderung pada basis pengetahuan sangat terstruktur yang dibangun pada dokumen yang dihasilkan sebagai produk-produk operasi harian organisasi. Laporan kemajuan, laporan anomali, deskripsi proyek, dll. dianalisis untuk mengekstraksi pengetahuan relevan dan dihubungkan pada ontologi besar organisasi yang memungkinkan pencarian sangat canggih.

Satu cara khusus tentang men-setting sistem ini adalah mengadopsi perspektif Pemerolehan Pengetahuan [19] di mana perhatian dan kompetensi manusia dengan mengacu pada sekelompok topik yang ada (dihubungkan dengan operasi organisasi) dievaluasi dengan istilah jenis dokumen mana yang berasal dari memori organisasi di-browse oleh orang (yang mana diambil sebagai ukuran ketertarikannya pada topik itu) dan dokumen mana yang dikontribusikan oleh orang (yang diambil sebagai ukuran kompetensinya dalam topik utama dokumen). Tentunya, ide ini ditujukan untuk sumber-sumber pengetahuan selain dari dokumen-dokumen, contohnya, menggunakan pesan mail yang dihubungkan dengan topik atau kontribusi untuk bulletin board. Suatu yang penting adalah bahwa sekolompok pengetahuan yang berasal dari manusia (dokumen, mail, dan lain-lain) dianalisis dan diklasifikasikan dihubungkan dengan ontologi organisasi sehingga dapat dicari dengan cara yang sangat canggih (seperti contoh dengan sistem rekomender di mana proses pencarian dan hasilnya berubah menurut perhatian dan kompetensi user tunggal masing-masing sebelumnya). Biasanya korelasi dibuat di sini secara berbeda, bukan secara otomatis penuh, yang biasanya sejumlah lokalisasi orang dalam kepemilikan pengetahuan diberikan dan bersama-sama memutuskan rangkaian tindakan mana yang diambil. Dengan demikian, terdapat sistem yang mencoba untuk mengintegrasikan level pembuatan keputusan: level yang berhubungan dengan operasi sistem otomatis dan level yang melibatkan negosiasi antar manusia. Komponen-komponen yang memungkinkan penghubung dua sistem merupakan ontologi yang biasanya digunakan mengklasifikasikan pengetahuan pada kedua level itu.

1. Mengintegrasikan teknologi: peran ontologi dan tugas

Pada fase pencarian, Sistem Manajemen Pengetahuan akan menyeleksi informasi pelengkap yang relevan untuk proses pembuatan keputusan. Juga, pada fase ini, terdapat tugas yang ditujukan untuk penemuan dan pengorganisasian informasi bergantung konteks. Kami dapat mengidentifikasi fase ini sebagai langkah pertama menuju kontruksi ontologi [20]. Pendekatan metodologis ini mengungkapkan bahwa sistem berbasis pengetahuan luas harus diorganisir (diintegrasikan) untuk memfasilitasi pemerolehan dan maintenance pengetahuan. Ini benar-benar dihubungkan dengan maksud Model Level Pengetahuan [25]. Tentang bagaimana mengintegrasikan pengetahuan, proses-proses itu lebih kompleks dan sebagian besar tool dan metode yang terlibat harus dispesialisasikan untuk masing-masing domain (lihat Gambar 4).

Integrasi data mentah biasanya dijalankan dengan maksud jenis struktur data yang berkisar dari Data Bases untuk Knowledge Bases. Struktur yang lebih ditekuni, sebagai ontologi, penting seperti mencakup data dan pengetahuan. Ontologi menghasilkan maksud pendeskripsian secara eksplisit konseptualisasi di balik pengetahuan yang direpresentasikan dalam basis pengetahuan. Ontologi adalah cara efektif untuk mempersatukan terminologi dalam domain yang diberikan. Yaitu, mereka menghasilkan tujuan untuk pemodelan biasa. Semua integrasi ini akan mengarahkan EDSS terhadap penggunaan luas model-model domain dalam komponen-komponen keahlian [35]. Model-model ini harus merefleksikan pengetahuan operasional dan strategis yang ditempelkan dalam sistem itu dan digunakan oleh orang-orang di sekitarnya. Integrasi struktur dan metode pengetahuan ini mendeskripsikan level pengetahuan luas domain.

Selama fase integrasi, tugas itu penting. Tugas merupakan deskripsi abstrak tentang apa yang dibutuhkan untuk bertindak agar mencapai tujuan. Biasanya, tugas didekomposisi menurut pendekatan top-down, dan dideskripsikan dengan maksud satu dan/atau tree. Setelah tugas didekomposisi, harus didistribusikan antar agen. Deskripsi umum tentang tugas mencakup nama deskripsi pendek, input dan output, struktur tugas, kontrolnya, prakondisi dan kondisi serta kemampuan pelaku yang dibutuhkan (seorang agen). Pada fase integrasi korelasi mengambil manfaat dari struktur data dan pengetahuan yang ada. Penggunaan metode discovery tidak terkontrol contohnya: Data Mining, Knowledge Discovery, dll. membantu membangun cara baru untuk menginterpretasikan domain. Metode problem-solving (penyelesaian masalah) mengaplikasikan pengetahuan domain untuk menyelesaikan tugas yang dimaksud. Pada umumnya, mereka melakukan dua fungsi: membagi tugas ke dalam sejumlah sub- tugas atau secara langsung mengatasi sub- tugas. Dalam satu kasus, mereka bisa memeriksa model-model domain; membuat atau mengubah struktur penyelesaian masalah menengah; melakukan tindakan untuk mengumpulkan data lebih banyak, contohnya, dengan menyangsikan user atau melakukan pengukuran (lihat Gambar 2); dan memperluas model situasi penyelesaian masalah dengan menambah dan mengubah fakta-fakta. Integrasi dan penyelesaian masalah terdistribusi ini mampu menanggulangi dengan supervisi tugas yang berbeda dari sistem itu, berkaitan dengan semua jenis data yang dikumpulkan dari proses itu (kualitatif dan kuantitatif), dan mencakup jenis-jenis knowledge co-existing yang berbeda dalam domain: numerik, eskperinsial, dan prediktif. Tugas dari koordinasi antar level-level abstraksi yang berbeda dapat dilakukan oleh agen yang bertanggung jawab untuk mendeteksi interdependensi di antara aktivitas-aktivitas agen, ini menjamin distribusi tugas yang benar dalam proses pembuatan keputusan.

1. Agen dan proses pembuatan keputusan

Proses pembuatan keputusan mengandalkan pada cycle yang mencakup: pengenalan-pengenalan sebab-sebab event (diagnosis) atau sebab-sebab untuk kejadian yang akan datang (prediksi), merencanakan formasi untuk mengatasi insiden-insiden dan, eksekusi tindakan pilihan.

Gambar 5. Decision Tree yang berhubungan masalah defflocculation dalam wastewater treatment plants

Semua agen yang melakukan aktivitas-aktivitasnya dalam dunia perubahan harus memodelkan dunia itu secara internal. Kami selanjutnya di sini mengajukan framework berbasis pada agen-agen untuk mendukung semua cycle ini. Semua EDSS akan menjadi satu set agen kerja sama, yaitu Sistem Multi Agen. Eksistensi ontologi tepat diasumsikan sebagai penyelesaian langkah dekomposisi tugas. Beberapa alternatif berbeda untuk sistem berbasis agen mungkin untuk mengimplementasikan sistem pembuatan keputusan. Banyak agen dapat memodelkan aspek-aspek dunia dengan cara dan alasan eksplisit tentang aspek-aspek itu. Pada sistem multi agen lain, model-model ini sering didistribusikan melalui arsitektur sebagai model itu tidak selalu dibutuhkan untuk mengidentifikasi perubahan-perubahan lokal atau menyelesaikan masalah-masalah lokal [16]. Gambar 5 menunjukkan decision tree yang mengintegrasikan bagian dari informasi yang DAI-DEPUR [31] gunakan untuk mengambil keputusan. Walaupun dikaitkan dengan kasus yang sangat spesifik dalam proses Wastewater Treatment, ia menunjukkan aliran informasi dari sensor dan laboratory (di atas) terhadap komponen-komponen Alasan. Gambar ini menunjukkan jenis fasilitas pengetahuan berbeda yang harus digunakan dan dikoordinir menggunakan protokol komunikasi yang sangat tepat. Pemodelan jenis teori-teori pengetahuan atau domain berbeda ke dalam level-level terpisah yang menghasilkan arsitektur dengan modularitas tambahan dan independensi yang dibutuhkan untuk memperoleh generalitas. Alasan-alasan utama untuk menginterkoneksikan agen-agen otonomi dan sistem pakar, tampak pada Gambar 6, adalah: memungkinkannya untuk bekerja sama dalam menyelesaikan masalah, untuk berbagi keahlian, untuk memungkinkan pekerjaan paralel, mengambil manfaat modularitas, memungkinkan sistem memberikan toleransi terhadap kesalahan melalui redundansi, menangkap dan mengambil profit dari berbagai sudut pandang dan pengetahuan/keahlian berbagai pakar, dan dapat digunakan kembali. Banyak EDSS dapat dianalisis sebagai Cooperative Information System (Sistem Informasi Kooperatif) [40] di mana agen-agen digunakan untuk menguasai dengan sumber informasi yang berbeda dan tool-tool berbeda yang digunakan untuk problem solving (lihat Gambar 6). Untuk EDSS agar mampu bekerja sama mereka harus memiliki interface cerdas yang dapat menguasai dengan semua jenis permintaan dan eventualitas. Melalui interface ini sistem dapat berkomunikasi dengan sistem dan alasan lain tentang informasi yang ia miliki. Pada perspektif ini, agen-agen diberikan dengan unit-unit penuh arti dari pekerjaan atau tugas untuk diselesaikan. Mengerjakan tugas pada berbagai situasi yang terlibat untuk menginisiasi komunikasi dengan agen-agen lain. Desain protokol komunikasi antar agen-agen berbeda ditentukan dalam performa sistem itu. Protokol komunikasi menentukan bagaimana illocutions antar agen-agen itu terstruktur. Agen-agen secara sederhana mungkin memberikan order ke yang lainnya dan mengharapkannya dapat dieksekusi, pada negosiasi kasus-kasus lain atau pertukaran yang lebih kompleks dapat dilakukan. Channel komunikasi melalui informasi mana bergerak dari satu agen ke agen lain dapat berbeda dalam beberapa cara seperti contoh:

–          Medium (Internet atau jaringan lokal)

–          Bentuk addressing (siaran, papan tulis, berbasis subjek, komunikasi personal, dll.)

–          Lokalitas

–          Ketekunan komunikasi (Berapa lama?).

Ketika sesuatu gagal dalam proses integrasi ini maka situasi kebuntuan dihasilkan. Kegagalan dapat terjadi untuk contoh ketika agen tidak mampu menyelesaikan tugasnya atau menyampaikan hasil-hasil tugasnya secara on-time. Seperti dikatakan sebelumnya, penggunaan ontologi-ontologi spesifik adalah satu posibilitas untuk mereduksi sejumlah kebuntuan yang tidak teratasi. Formasi rencana membutuhkan kerja sama di antara agen-agen atau sistem berbasis pengetahuan yang berbeda (lihat Gambar 6). Agen-agen berotonomi dalam arti bahwa mereka mengerjakan tugasnya tanpa memperhatikan apakah mereka dibutuhkan atau tidak. Tambahan pula, kami mengasumsikan koordinasi hirarkis di mana perintah mengalirkan hirarki agen dan informasi status mengalir secara bottom-up. Dalam sistem-sistem ini tiap agen biasanya memiliki agenda yang memuat tindakan-tindakan yang dilakukan dan tujuan-tujuan agen. Agenda ini membantu agen-agen membangun perencanaan dan           menerima tugas dari managernya.

Distribusi tugas-tugas dapat meningkatkan performa. Durfee [14] menunjukkan bahwa kombinasi usaha-usaha membawa:

–          Konfiden – hasil-hasil yang diperoleh secara independen dapat digunakan untuk saling menguatkan, menghasilkan hasil kolektif yang memiliki probabilitas kebenaran yang lebih tinggi.

–          Kelengkapan – perpaduan hasil-hasil sub tugas berbeda dapat mencakup proporsi lebih besar dari tugas secara menyeluruh.

–          Ketelitian – menyaring solusi yang dimilikinya, agen harus mengetahui lebih banyak mengenai solusi-solusi lainnya yang telah diformulasikan,

–          Ketepatan waktu – menyelesaikan tugas secara paralel dapat menghasilkan solusi menyeluruh lebih cepat.

Untuk EDSS mekanisme terbaik untuk distribusi tugas adalah:

–          Perencanaan mutli agen: yakni merencanakan agen-agen memiliki tanggung jawab atas penetapan tugasnya.

–          Struktur agen: yakni agen-agen memiliki tanggung jawab yang bagus untuk tugas-tugas tertentu.

Pada fase ini, komponen alasan dari tiap agen dalam sistem harus mengerjakan tugasnya.

1. Kesimpulan

Solusi-solusi untuk Manajemen Pengetahuan dalam Sistem Pendukung Keputusan Lingkungan yang lebih efisien harus dikembangkan. Sebagaimana kami telah tunjukkan KM harus mempertimbangkan jenis data yang besar, dan dependensi kuat dari proses lingkungan pada batasan lokal, seperti kondisi cuaca, aspek iklim, posisi geografis, regulasi hukum kesehatan dan/atau lingkungan, dll. Metode, model dan tugas bermaksud untuk menjamin perilaku Berbasis Pengetahuan yang diinginkan dan elemen-elemen penting dari desain Sistem Berbasis Pengetahuan [35]. Ini merepresentasikan komponen-komponen keahlian yang harus mengatasi masalah. Pada Gambar 7, kami mengembangkan proposal untuk mengkombinasikan komponen-komponen keahlian itu untuk membangun EDSS. Kemajuan dalam bidang Alasan Berbasis Model sangat menjanjikan [24] dan model-model khusus dikembangkan untuk bidang ini. Masalah lingkungan membutuhkan model-model generalitas, ketelitian (jika mungkin) dan realisme besar. Arsitektur berbasis agen memperkenalkan metafora sangat kuat dalam bidang EDSS sebagai agen-agen yang mengintegrasikan sekumpulan kemampuan, yang diperoleh dengan saling mempengaruhi tentang jenis masalah tertentu dan tentang lingkungan di mana agen-agen itu beroperasi.

Gambar 7. Proses Pengembangan EDSS

Ini memungkinkan sistem bereaksi pada perubahan lingkungan dan situasi baru  serta ia mampu berinteraksi dengan agen lain mencari sebuah jawaban. Penggunaan sistem multi agen untuk mendistribusikan penyelesaian masalah meminta koherensi dan kompetensi kelompok. Sebagaimana telah dikatakan penggunaan metodologis Manajemen Pengetahuan dalam Sistem Pendukung Keputusan Lingkungan merupakan bidang penelitian terbuka di mana percobaan pertama adalah yang dipaparkan oleh I.R.-Roda [30].

Dari sudut pandang kami, penelitian Manajemen Pengetahuan dalam EDSS berubungan dengan isu-isu:

–          Teknik-teknik untuk integrasi beberapa teknik AI, pengetahuan, dan data,  secara efektif.

–          Memperbaiki metode-metode pemerolehan pengetahuan.

–          Ontologi atau paradigma-paradigma serupa untuk merepresentasikan pengetahuan dengan lebih baik melalui sistem Lingkungan.

–          Perkembangan model-model koordinasi khusus untuk masalah Lingkungan.

–          Berbagi kecerdasan dan menggunakan kembali pengetahuan.

–          Menggunakan kembali model-model dan tugas-tugas generik EDSS.

–          Isu-isu sekuritas.

–          Prosedur-prosedur validasi.

–          Definisi metric performa.

–          Definisi pengukuran performa agen.

Pada Gambar 7 anda dapat melihat perkembangan EDSS yang telah dilukiskan mengikuti metodologi yang diusulkan [30]. Kumpulan data, analisis data dan fase pemilihan model secara jelas menjawab pertanyaan: jenis teknologi apa yang dibutuhkan? Peletakkan implementasi model, integrasi model dan fase evaluasi EDSS menjawab pertanyaan: bagaimana mengintegrasikan teknologi-teknologi itu? Dalam pendapat kami ini merepresentasikan cara mudah untuk men-transport dan menggunakan kembali pengalaman yang lalu dari satu proses lingkungan ke yang lainnya. Juga metodologi ini cukup lazim diaplikasikan untuk bidang-bidang lain di mana proses-proses yang kompleks eksis. Kami harus mengingat bahwa lingkungan adalah domain penting keputusan manajemen yang jika salah bisa memiliki konsekuensi malapetaka ekonomi dan/atau lingkungan. EDSS adalah tool penting untuk memahami lingkungan kami dan mendesain perkembangan masyarakat kami itu dapat dilakukan. EDSS dapat memainkan peran kunci dalam interaksi manusia dan lingkungan, sebagaimana mereka harus kuasai dengan sifat multidisiplin dan kompleksitas masalah lingkungan yang tinggi, sehingga mereka berhasil dalam bidang pekerjaan dengan penuh kesuksesan.

Ucapan Terima Kasih

Kami mengucapkan terima kasih atas dukungan Spanish CICyT project AMB97-889. The European Union project IST-1999-176101. Pandangan pada paper ini dipersembahkan untuk A-TEAM consortium.

Referensi