Cap 7 - Tecnologias para o Conhecimento

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

*
*
TECNOLOGIAS PARA A GESTÃO DO CONHECIMENTO
Felipe Vaz
Rodrigo Botelho
Erich Hepp
*
*
UM CASO RELEVANTE: HEWLETT-PACKARD
Em torno de 1995, os gerentes de sistemas da informação da empresa começaram a notar que o real crescimento da área de aplicativos tinha menos a ver com dados do que com a tecnologia ligadas à gestão do conhecimento, conhecimento especializado e documento contendo este conhecimento.
Hoje a HP é um exemplo notável da gestão do conhecimento baseado na Internet. O sistema Electronic Sales Partner (ESP) da empresa contém centenas de milhares de documentos que ajudam a força de vendas de sistemas de computador HP.
*
*
UM CASO RELEVANTE: HEWLETT-PACKARD
A HP tem outro sistema baseado na Internet, chamado Connex, em seu laboratório de P&D para identificar especialistas.
A HP usa o Notes para aplicativos do conhecimento internos e externos; um aplicativo chamado Trainers’ Trading Post permite que treinadores e educadores de toda a HP troquem experiências com programas e ofertas educacionais.
*
*
SISTEMAS ESPECIALIZADOS E INTELIGÊNCIA ARTIFICIAL
Embora a gestão de conhecimento seja um campo de estudo relativamente novo, tentativas no sentido de usar a tecnologia para captar e manipular o conhecimento vêm sendo empreendidas há décadas. Sob o nome de inteligência artificial, tais esforços concentram-se tipicamente na gestão de áreas delimitadas do conhecimento, como configurações de computador ou diagnóstico de determinado tipo de doença.
Como muitos outros campos da tecnologia, a área da tecnologia do conhecimento vem criando expectativas excessivamente altas e grande alarde ao seu redor, particularmente com relação a sistemas especializados. Seria correto dizer que o pregado potencial dos sistemas especializados jamais de concretizou.
O sucesso limitado dos sistemas de inteligência artificial promoveu uma maior valorização do elevado grau de riqueza e complexidade do conhecimento humano. Caso McDonnel Douglas da Boeing.
Um ramo diferente da inteligência artificial tenta combinar em computador o poder da narrativa com a codificação do conhecimento. Chamada de raciocínio baseado em casos (CBR), a tecnologia envolve a extração do conhecimento de uma série de narrativa, ou casos, sobre a área de problema.
*
*
REPOSITÓRIOS DO CONHECIMENTO AMPLO
Um dos métodos mais conhecidos de uso de tecnologia na gestão do conhecimento é o repositório do conhecimento explícito estruturado – geralmente na forma de documentos.
	O melhor exemplo de repositório do conhecimento amplo é a Internet. Como fonte do conhecimento externo, a Internet pode superar algumas das desvantagens da assimetria e do caráter localizado do conhecimento, uma vez que a pesquisa de um assunto trará resultados de todo o sistema.
	Embora tais sistemas resolvam em parte o problema da localização do conhecimento, eles costumar apresentar o problema do julgamento do conhecimento que está sendo fornecido.
	No passado, os repositórios das organizações eram em sua grande maioria externos, e eram usados para obter inteligência competitiva, conhecimento de mercado ou conhecimento externo técnico, jurídico ou comercial. Hoje, porém, muitas empresas estão criando repositórios de conhecimento internos de produtos, conhecimento de marketing, conhecimento de clientes ou outros tipos de conhecimento.
	O Lotus Notes e as webs baseadas em intranet são atualmente os principais conjuntos de ferramentas para gerir os repositórios do conhecimento.
*
*
AMBIENTES DO CONHECIMENTO FOCALIZADO
Algumas organizações têm aglutinado o conhecimento em torno de áreas, em vez de dividi-los por especialidades. É de melhor solução para sistemas especializados, pois possibilita que o conhecimento de um ou mais especialistas seja usado por um grupo muito maior de funcionários que precisem daquele conhecimento.
	Os sistemas especializados têm mais um requisito: pelo fator de ser difícil manter e acrescentar conhecimento a esses sistemas altamente estruturados, a área de conhecimento deve ser razoavelmente estável.
	Outra opção para empresas com ambientes de conhecimento focalizados são os sistemas baseados em limitações, os quais são apropriados para situações que envolvem volume de dados grande, porém menor do que o requerido pelas redes neurais. Os sistemas baseados em limitações captam e desenvolvem um modelo das limitações que governam a tomada de decisões complexas. Pelo fato de que os sistemas baseados em limitações costumam ser intrinsicamente orientados para objetos, eles são amis fáceis de atualizar do que os sistemas especializados; não há interações complexas a entendes nem modificar.
*
*
SISTEMAS DO CONHECIMENTO EM TEMPO REAL
Para usuários iniciados – capazes de entendes problemas, mas não de resolvê-los nem classificar seus sintomas – então o raciocínio baseado em casos (CBR) é a melhor opção a ser utilizada. Os aplicativos CBR requerem que alguém insira uma série de casos, que representam o conhecimento sobre determinada área expressada na forma de série de características e soluções de problemas. Então, quando um analista cliente se vê diante de um problema, suas características podem ser comparadas com o conjunto de casos contidos no aplicativo e a correlação mais próxima, selecionada. O CBR é um ramo da inteligência artificial que, nas empresas, é mais encontrado nos processos de atendimento e suporte a clientes. 
	O CBR funciona melhor quando você conta com um ou mais especialistas para coligir os casos e cuidar de sua manutenção ao longo do tempo. Deve haver também um especialista de área – alguém que conheça profundamente a área objeto de suporte pelo sistema - que possa decidir quando um novo caso merece ser inserido, quando um caso antigo tornou-se obsoleto e se um caso recém-submetido está correto.
*
*
SISTEMAS DE ANÁLISE DE PRAZO MAIS LONGO
Se você dispõe de muito tempo e de um usuário com Ph.D. em estatística, as redes neurais são a solução para transformar dados em conhecimento. Rede neural é uma ferramenta orientada para estatística que prima pelo uso de dados para classificar casos em categorias – por exemplo, se um cliente de financiamento tende a pagar ou não a sua dívida. Devido à sua natureza estatística, poderíamos questionar sua adequação ao conceito da gestão do conhecimento. Todavia, uma vez que um dos aspectos desses sistemas é que eles aprendem – isto é, sua classificação torna-se mas precisa à medida que aumenta o número de casos – em geral eles são discutidos no contexto de inteligência artificial e do conhecimento. As redes neurais exigem muitos dados (normalmente quantitativos) e um computado de alta capacidade. Elas podem gerar classificações de caso bastante precisas, mesmo na presença de muitas variáveis inter-relacionadas.
	Todavia, as redes neurais são uma espécie de “caixa preta”; não é fácil explicar por que elas fizeram o que fizeram. Um dado caso será classificado de determinada forma de acordo com pesos variáveis e com os nós, tornando difícil a interpretação.
*
*
O QUE AS TECNOLOGIAS NÃO PODEM FAZER
Embora esses tecnologias sejam empolgantes e estejam nitidamente se aperfeiçoando a olhos vistos, é importante ter em mente limitações de qualquer programa de gestão de conhecimento. Conforme observamos, a gestão de conhecimento eficaz só poderá ocorrer com a ampla mudança comportamental, cultural e organizacional. A instalação de software Notes ou web ou de raciocínio baseado em casos não trará, por si só, a mudança. A tecnologia isoladamente não fará com que a pessoa possuidora do conhecimento o compartilhe com as outras. A tecnologia não levará o funcionário desinteressado em buscar conhecimento a sentar diante do teclado e começar a pesquisar. A mera presença da tecnologia não criará uma organização de aprendizado contínuo, uma meritocracia nem uma empresa criadora de conhecimento.
*
*
O verdadeiro perigo não é que os computadores comecem a pensar como seres humanos, mas que os seres humanos comecem a pensar como computadores.
- Sydney J. Harris