A graph md implementa o conceito de "Issues in Knowledge Level Modelling" que define principalmente, a ideia de "nível de conhecimento". O desenvolvimento da tecnologia tem sido importante na pesquisa de sistemas de conhecimento. Também mostra como o nível de conhecimento mudou nossa visão sobre o que são os sistemas de conhecimento e como os problemas com sistemas especialistas podem ser superados. A noção de "nível de conhecimento" foi introduzido por Allen Newell há mais de três décadas, esta tem sido utilizada de forma mais visível dentro dos chamados métodos de modelagem em direção a sistemas de conhecimento. Há uma mudança na aquisição de conhecimento: ao invés de extrair conhecimento de um especialista o objetivo de aquisição de conhecimento é a construção de um modelo consolidado de resolução de problemas de comportamento de um especialista em termos de conhecimento.
O objetivo original do nível de conhecimento foi o de esclarecer a confusão sobre o uso de "conhecimento" e os termos de "representação". O que conta para um modelo de KL, no entanto, não é só o conhecimento de que o agente parece estar usando, mas, mais importante, a estrutura dentro do qual este conhecimento está sendo utilizado na realização dos objetivos definidos. Newell restringiu a exploração da estrutura do nível de conhecimento para focar a racionalização do conhecimento de um agente em um modelo de inteligência.
Na medida em que o modelo de tarefa está configurado adequadamente, o conhecimento pode ser aplicado na prática e conduz a um comportamento dirigido para a meta satisfatória. O LK-Model deve ser o comportamento que resulta da aplicação do princípio da racionalidade dentro dos limites do modelo que também é prático, ou seja, em conformidade com as características da tarefa. Newell propôs para modelar em termos de conhecimentos, objetivos e ações. Tarefa genérica, o método de resolução de problemas, inferência, modelo de domínio, modelo de caso, a limitação do conhecimento e o seu papel. São apenas alguns dos pontos de pesquisa e desenvolvimento da graph md sobre a tecnologia. [knowledge e1 audiobook]
No nível do conhecimento a percepção do agente do mundo se dá através do conhecimento por si só. O nível de conhecimento, a percepção do agente, surge através do conhecimento de uma ação que deve ser vista como uma forma de obter conhecimento sobre a realidade. A configuração de modelos, tarefas e métodos implica em um conjunto de pressupostos que, juntos, podem ser interpretados como um modelo do problema.
A KL-modelagem tem três níveis de abordagens: modelo de domínio, de tarefas, e um método de solução.
Modelo de domínio: é uma forma de falar sobre o conhecimento de domínio de uma forma precisa e sistemática.
Por exemplo, pode descrever o que se sabe sobre o funcionamento do coração humano, ou pode capturar um mapeamento da heurística entre sintomas e problemas de mal funcionamento
fisiológicos. O schema graph md utiliza essa ideia para criar o sincronismo entre os modelos desenvolvidos
pelos médicos
(elementos conectados em grupos categorizados por humanos) e os modelos gerados pela ia
(reconhecimento de padrões em agrupamentos categorizados por algoritmos de graph data science).
Modelo de tarefa: expressa o que significa alcançar um objetivo e como os objetivos estão inter-relacionados. A graph md utiliza esse conceito para desenvolvimento da estrutura de multi agentes inteligentes da plataforma.
Método solução: é um meio de se relacionar modelos de tarefa e de domínio, a fim de alcançar os objetivos. Um método de resolução de problemas é diferente a partir de um modelo de trabalho, porque pode ser não-especificado para uma tarefa e também pode dar origem a vários modelos de tarefas. Aqui entra a ideia do desenvolvimento de plugins, podem literalmente ser criados N plugins para os 50k nodos do modelo que contém todas as 10k doenças e mais de 4k sintomas. Observe que existem adicionalmente 35k nodos de grupos classificados por humanos e agrupamentos classificados por algoritmos. Cada nodo, seja um paciente, médico, grupo ou agrupamento, pode se tornar um plugin específico. Como nesse ponto o ecossistema fica virtualmente infinito. Além de colocar o símbolo no nosso logo, também utilizamos a regra de Pareto dos 80/20. Pensemos na alegoria: os grupos e agrupamentos são tubulações construídas por médicos onde passam os pacientes. Assim, direcionamos os esforços de desenvolvimento dos plugins em pontos de maior vazão dentro do princípio de Pareto. Uma característica intrínseca ao processo classificatório é que se um elemento não tem classificação ele automaticamente estará classificado como outros. Fato que equaciona toda a gestão de conhecimento e concequentemente viabiliza a evolução da plataforma graph.md dentro de parametros objetivos, evitando o desenvolvimento de diagnósticos complexos e subjetivos de casos raros que podem ser analisados diretamente por médicos especialistas sem a necessidade de um grande sistema que mais atrapalharia do que ajudaria o médico. Por outro lado, desenvolvendo micro serviços em uma rede multi-agente com, por exemplo, 30 conceitos podemos aplicar a um contexto objetivo, e assertivo que impacta um grande volume de pacientes do graph md através de uma simples sugestão de melhora em um comportamento específico que efetivamente pode mudar o estado futuro de saúde da pessoa evitando que a doença venha a acometê-lo.
O domínio, a tarefa e o método de perspectiva são pontos de vista sobre como a resolução de problemas está relacionada. Estes modelos de conhecimento têm o foco em descrever o processo de resolução de problemas e têm pouco a dizer sobre o que é a resolução de problemas. Assim, o objetivo de uma verdadeira teoria no nível de conhecimento para resolução de problemas deve se concentrar no "porquê" das perguntas.
Na abordagem de Newell o nível de conhecimento racionaliza o comportamento em termos de razões que um agente tem de acreditar que certas ações o levarão a alcançar determinados objetivos. [knowledge e2 audiobook]
Seguem algumas iniciativas que a graph md aplica para construção de um ambiente receptivo a criação do conhecimento utilizando open graph data science:
a. Implementar um programa global de ideias dos colaboradores em diferentes camadas: problemas de negócio, propostas de soluções, modelagem, tecnologias, desenvolvimento e experiência do usuário; Gerenciar iniciativas através de Desafios de Inovação, identificando as melhores equipes através de competências complementares baseadas na análise de problemas.
b. Estimular a criação de ideias pela equipa através da contextualização das necessidades de inovação, aumentando significativamente a eficiência do processo como um todo; Orquestrar a equipe de forma inteligente para aproveitar ao máximo o que cada pessoa pode oferecer.
c. Identificar as melhores configurações de equipes com base em suas competências, organizando e gerenciando grupos de trabalho voltados a desafios contextualizados para o desenvolvimento de projetos inovadores de impacto; Inovação a partir de projetos de pesquisa, desenvolvimento e ideias com ferramenta de inovação para melhorar produtos ou desenvolver serviços por meio de projetos de P&D, utilizando inteligência artificial aplicada à gestão do conhecimento.
d. Construir e otimizar o funcionamento do Innovation Hub com gestão eficiente para revolucionar a forma de fazer negócios, fornecendo suporte e conhecimento para garantir a eficácia da solução fornecida.
e. Estruture de forma inteligente um Hub de Inovação eficiente, com diferentes tamanhos, nichos e parceiros com a sua identidade; Encontrar os parceiros ideais para ideias no ecossistema global, com possibilidade de integração; Obter vantagem competitiva através da IA para o crescimento de iniciativas, aproximando a mentalidade empreendedora e garantindo o controle dos processos relacionados com a inovação da respetiva ideia.
f. Gerar valor às ideias com gestão inteligente da Inovação para criação, conexão e disseminação de ideias inovadoras; Gerenciar relacionamentos com startups e universidades para resolução de problemas; Compreender a inovação nas suas diferentes perspetivas; Visualizar estratégias de investimento em inovação para a ideia, de forma simples e eficaz; Construir um programa de inovação para envolver os colaboradores e o ecossistema externo de inovação; Alinhar todas as etapas do Funil de Inovação aos principais desafios do negócio; Organizar as melhores ideias. Encaminhá-las pelas etapas do funil até que apenas a melhor solução seja levada adiante; Promover atitudes e ferramentas inovadoras dentro da graph md; Cultivar uma atmosfera de apoio, estimulante e flexível.
g. Open GRAPH DATA SCIENCE propõe uma forma Inteligente de Inovação para revolucionar a forma de fazer negócios com Health Techs mais preparadas; Aceleração de ideias para construir o futuro de cada segmento e aceleração corporativa eficiente; propor o impacto no mercado com um novo produto ou serviço; Alavancar novas tecnologias, novos mercados e novos negócios; Explorar novos horizontes e desenvolver produtos ou serviços de alto impacto; Promover a Inovação entre os colaboradores resolvendo problemas reais da forma mais eficiente possível. [knowledge e3 audiobook]
contato@graph.md para saber mais informações sobre graph md points of view.
Av. João Pessoa, 731 - Sala 802 - Cep: 90.040-000 - Porto Alegre, Brazil