Визуальное представление неявного знания в "Умных" Технологиях industry 4.0
Автор: Каныгин Геннадий Викторович, Полтинникова Мария Сергеевна
Журнал: Известия Санкт-Петербургского государственного экономического университета @izvestia-spgeu
Рубрика: Методология и инструментарий управления
Статья в выпуске: 5 (125), 2020 года.
Бесплатный доступ
В основе затруднений при взаимодействии человека и машины в составе «умной» технологии оказывается проблема неполноты выражения человеком неявного знания. В статье описан структурный механизм, который, будучи реализован в составе современных технологий Industry 4.0, позволяет человеку выражать неявное знание путем привычного формулирования естественно-языковых высказываний и, в то же время, создает новые возможности организации процессов принятия управленческих решений на принципах командной работы.
Управление знаниями, неявное знание, визуализация, умные технологии, графовые контекстно-ориентированные онтологические методы
Короткий адрес: https://sciup.org/148320200
IDR: 148320200
Текст научной статьи Визуальное представление неявного знания в "Умных" Технологиях industry 4.0
Актуальной тенденцией современного теоретического описания социально-экономических систем, характеризуемых огромными объемами данных (big data), являются интеллектуальные (smart, «умные») технологии [22]. Сегодняшние исследования в рамках «умных» технологий – это отнюдь не сугубо компьютерные изыскания. Современный «умный город» это не город, управляемый цифровыми технологиями. Восприятие «умного города» как интеграции различных «умных сетей», когда технологиям Интернета вещей отводится главенствующая роль, серьёзно расходится с современными взглядами. Концепция «умного города» предполагает учет интересов и включенность в процессы принятия решений всех участников городского сообщества, в том числе людей с различным уровнем образования, неодинаковым уровнем доходов, резидентов и лиц, временно пребывающих на территории города. Выявление потребностей граждан, возможностей и проблем функционирования в городской среде первично [27].
ГРНТИ 06.81.23
Геннадий Викторович Каныгин – доктор социологических наук, ведущий научный сотрудник Социологического института – филиала ФНИСЦ РАН.
Мария Сергеевна Полтинникова – кандидат физико-математических наук, старший научный сотрудник Социологического института – филиала ФНИСЦ РАН.
Контактные данные для связи с авторами (Каныгин Г.В.): 190005, Санкт-Петербург, ул. 7-я Красноармейская,
Статья поступила в редакцию 01.08.2020.
Технические средства и технологии интеллектуальной, цифровой поддержки социальноэкономических взаимодействий в «умной среде» – это инструмент разрешения выявленных проблем, жизненных ситуаций, неоднозначных практик в таких процессах как производство, распределение, обмен, потребление [4]. Одной из важнейших составляющих «умного города» являются «умные граждане» (smart citizens) и только они могут сделать возможным существование лучших версий таких городов [6; 18]. Тем самым, городские социально-экономические процессы – суть постоянное взаимодействие между местным властями и «умными» гражданами [8; 9].
В настоящее время все большее исследовательское внимание привлекает новый экономический феномен, получивший название Industry 4.0 [11; 12; 25; 30]. С одной стороны, Industry 4.0 – это конгломерат «умных объектов» (smart objects), взаимодействующих в составе «умных» сетей (smart grids). Иначе говоря, это постоянно расширяющаяся совокупность взаимопересекающихся технологий, таких как: Интернет вещей, Интернет услуг, мультиагентных систем, систем дополненной реальности и других на основе доступности вычислительных ресурсов, средств коммуникации и хранения информации. С другой стороны, Industry 4.0 – это взаимодействие людей посредством компьютерных технологий [14].
В работе [7] предложена концептуальная модель функционирования Industry 4.0. Модель объединяет в единую картину функционирования социального знания (knowledge dynamics in the industry 4.0) взаимодействие компьютерных агентов (computer agent) и реально существующих акторов (human actor). В качестве последних физически могут выступать как отдельные индивиды, так и их разнообразные сообщества, например, бизнес-структуры, профессиональные ассоциации, инициативные группы. Однако концептуальная модель, продемонстрированная Dragicevic и соавторами, основывается на противоречивом процессе выражения человеком своего неявного знания. Как раз этот процесс выражения человеком своего индивидуального неявного знания остался за рамками концептуальной модели, построенной Dragicevic и соавторами. Модель такого процесса заменена рассуждениями о различиях человеческого (human) и машинного (computer) знания [7], что предполагает владение пользователем «умной» технологии некой специфической терминологией.
Для уменьшения уровня требований к квалификации пользователя, мы предлагаем использовать графовые контекстно-ориентированные онтологические (ГКОО) методы, которые позволяют коллективу пользователей, не владеющих языками спецификаций, строить онтологию предметной области [3] из фрагментов своего знания: явного и латентного. Основные формальные структуры ГКОО методов представлены в [2] и получили развитие в [13]. Методики применения ГКОО методов для концептуализации текстов разных видов проиллюстрированы в [1].
В первой части данной статьи нами обсуждаются проблемы выражения латентного знания различными акторами социальных процессов. Во второй мы объясняем на примере, каким образом выражение латентного знания, осуществляемое каждым актором индивидуально в виде множества словесных высказываний, может быть упорядочено за счет специальной контекстно-ориентированной техники связывания высказываний.
Латентное знание в умных технологиях
Классик социальной методологии П. Лазарсфельд ввел в научный оборот термин imagery, который обозначает смутное представление исследователя о чем-либо, что предшествует его научным определениям (цитировано по [26]). В современных дискуссиях по проблемам управления знаниями идея imagery приняла вид разделения знания о чем-либо на неявное (латентное, неэксплицитное, неформальное, tacit) и явное (эксплицитное, формальное, explicit) [5; 10]. Впервые такое разделение было предложено М. Поланьи в виде концепции дуального знания [23; 24].
Участники современных дискуссий отмечают две ключевые особенности неявного знания (как синоним – латентные представления) человека. Во-первых, такое знание неотделимо от его носителя [17; 19; 29]. Во-вторых, такое индивидуализированное неявное знание зависит от контекста и трудно формализуемо [10]. В работах по управлению знаниями контекст понимается как общие условия различной природы (материальной, экономической, психологической и др.), в рамках которых функционирует наблюдаемый социально-экономический феномен. В частности, таким феноменом может оказаться частная национальная компания [20] или государственное транспортное агентство [21]. В качестве «контекстных» характеристик функционирования знаний, расширяющих границы подобных соци- ально-экономических феноменов, исследователь может рассмотреть разнообразные, заранее неизвестные внешние факторы. Так, в работе [15] выявлены факторы доверия и сотрудничества (trust and cooperation), влияющие на приемы обмена знаниями (sharing knowledge) внутри организации. В работе [16] в качестве аналогичных факторов указаны доверие и репутация (trust and reputation).
Мы предлагаем разработчикам «умных» технологий в качестве средств выражения неявного знания их акторами использовать методы, сочетающие две ключевые особенности. Во-первых, методы не должны ограничивать акторов в использовании естественного языка для описания любых процессов, поддерживаемых с помощью «умных» технологий. Во-вторых, методы должны давать в распоряжение рядовых носителей естественного языка средства командной работы, доказавшие свою эффективность в практике программирования.
За счет такого сочетания мы надеемся, с одной стороны, облегчить для участников социальных процессов выражение их неявного знания. А с другой – поставить усилия акторов по созданию социально-экономической информации с помощью естественного языка под «концептуальный» контроль со стороны «умных» технологий. Причем такой контроль мы связываем не с технологическим регламентированием интерфейсов или экранных форм, в рамках которых индивидуальным пользователям предписывается вводить данные о себе; такой контроль должен признаваться самим человеком как практическая необходимость выражать любые свои мысли о социальных, экономических или иных процессах через взаимодействие с другими акторами этих процессов.
Предлагаемые методы не должны зависеть от «масштабов» выражаемого знания и его природы. В то же время, как выше отмечено, любые методы выражения неявного знания зависят от контекста. Ставя своей целью в рамках данной статьи изложение основных идей реализации заявляемых методов, мы рассматриваем в качестве контекста известную социальную ситуацию – написание научной статьи. Рассмотрение знакомой ситуации вместо масштабного поля Industry 4.0 позволяет любому человеку на своем «камерном» опыте ощутить сложность и постепенность выражения своих латентных представлений. В контексте этой «публикационной» задачи изложены методы, с помощью которых исследователь, рассматриваемый нами как носитель неявного знания, получает возможность выражать его непосредственно в виде графов специального вида, явно передающих смысловые связи, подлежащие экспликации.
Формальный аппарат ГКОО методов
Простейшее аналитическое обозначение, называемое понятием, представляет собой слово или словосочетание естественного языка. Будем обозначать понятие буквой с индексом, например, t n . В тексте мы будем употреблять слово концепт в качестве синонима понятия. Понятие представляет собой словосочетание естественного языка, с помощью которого носитель знания выражает какой-либо его аспект. Для носителя знания понятие – это совокупность речевых коннотаций, которые с той или степенью отчетливости ощущаются им самим как его собственное неявное знание. Такие коннотации существуют только «в голове человека» [29], в силу чего оказываются скрытыми от других индивидов.
Далее, для краткости, явление, обозначаемое человеком с помощью понятия, мы будем называть объектом. Практика подсказывает, что для понимания действий другого каждому человеку придется вводить совокупность понятий, выражающих собой разные объекты и связи между ними. Совокупность таких понятий, возникающих у каждого актора совместной практики, назовем словарем. Словарь — это неупорядоченное множество понятий V={t 1 ,t2,^,tq}, где q - количество понятий в словаре. Далее, потребуем, чтобы при обозначении объекта автор онтологии (далее – автор) явно указывал ситуацию (или другой объект), в которой (относительно которого) он рассматривает новое аналитическое обозначение. Это требование приводит к тому, что обозначение любого объекта реализуется упорядоченной парой понятий множества V : первое понятие пары указывает на объект, второе же идентифицирует ситуацию или еще что-то, относительно чего этот объект рассматривается с точки зрения носителя знания (автора обозначений). Первое понятие пары будем называть термином, а второе контекстом. Пару обозначим буквой p, а множество упорядоченных пар - P . Требуется, чтобы процесс разъяснения одних понятий через другие проводился всегда в виде таких пар.
Простейшая структура, с помощью которой автор связывает пары понятий, создавая основу дальнейших определений, называется ветвлением. Ветвление представляет собой двухуровневое ориентированное дерево с вершинами из множества P : корневой вершиной p o =(tx,ty) и листьями p1=(tx1,ty1), ...,
P s =(txs,t y s) или единственную верш и ну в выро ж денном сл у чае. Для ветвления E в случае де р ева будем использоват ь обозначения: E: p^{p1,^,ps} и л и E: (tx,ty)^{(tx i ,ty i ),^,(txs,tys)} , з д есь s — количество вершин на в т ором уровне, s < q. В с л учае отдельной верш и ны: E: p^{...} или E: ( x,y)^{...}. Пару (tx,ty) назовем головной, а пару (txk,ty k ) - разъяснен и ем, а мно ж ество пар {(txk,tyk)}, k = 1,..,s, - м н ожеством разъяснений. Тогда tx - термин гол о вной пар ы , ty - конте к ст головно й пары, txk — термин ра з ъяснения, t y k - контекст разъяснения. Сделае м важное з а мечание: одно и то же понятие м о жет входи т ь как термин в разли ч ные головные пары с р азными ко н текстами, з а счет чег о реализует с я многозна ч ность понятий.
Ветвлен и я, в которые входит д а нное поня т ие, мы называем его л окальным и связями и л и локальными отно ш ениями. Когда автор знания опре д еляет пон я тия, связы в ает их в п а ры и созд а ёт локальные отноше н ия между парами с ц е лью описа т ь что-либо, он занима е тся конце п туализацие й . Обозначим множество ветвлений, созданное авто р ом на ка к ом-то эта п е концепт у ализации, буквой s . Из множест в а s , как из набора куб и ков Лего, м ожно конструировать разнообразные связн ы е структуры. Причем такое конструировани е может вы п олняться а л горитмически. В част н ости, ниж е объяснен на примера х алгоритм построения терминол о гического графа (Т-г р афа), кот о рый выра ж ает собой связную час т ь локальных отношен и й, предста в ленных во множестве ветвлений. Этот алгоритм, начиная с некоторого ветвления, указы в аемого по л ьзователе м , строит гр а ф, связыва ю щий понятия головной пары эт о го ветвления с други м и поняти я ми, предст а вленными пользовате л ем в сост а ве множества s .
Эвристичес к ие основания термино л огическог о графа
Выше мы определили понятие в е твление с п омощью т екста, раз ъ ясняющег о этот кон ц епт через другие понятия и отношения ме ж ду ними. Р ассмотрим то же оп р еделение к онцепта в е твление в виде графа, который явно пре д ставляет в се понятия, используемые в д анном оп р еделении (см. рис. 1). С помощью узлов эт о го графа н о ситель зн а ния одноз н ачно иден т ифицируе т понятия, а пути из корневой вершины в л и стья нагл я дно выражают собой связи ввод и мых анал и тических обозначений.
На рис. 1 показан граф 1, котор ы й решает з адачу явно г о определ е ния ранее н еизвестно г о понятия ветвление ч е рез уже знакомые об о значения, о бщий слу ч ай, двухур о вневое ор и ентирован н ое дерево и др. Однако, это наглядное реш е ние облад а ет принципиальным н едостатко м : с графо м 1 трудно работать при сколько-нибудь значительном увеличении числа понятий. По э тому мы п редлагаем первоначально задавать не отдельные вершин ы , а неболь ш ие структ у ры, предст а вляющие е диничные переходы от понятия к его потомк а м. Кажды й такой пер е ход ввиду с воей обоз р имости не з атрудняет работу авто р а, а единый граф опре д елений ге н ерируется а лгоритмически, избав л яя челове к а от необходимости о п ерировать структура м и с больши м числом узлов.

Рис. 1. Структура с л овесного оп р еделения п о нятия ветвл е ние в виде г р афа, составленного из единичн ы х концептов
Пояс н им, каким образом пр и вычный г р аф 1 можн о представ и ть в виде д екомпозиц и и отдельных ветвлений и как такое представ л ение помо г ает при оп е рировании графами б о льших объемов. В качестве перв о го шага построим гра ф со струк т урой как н а рис. 1, об ъ единяя по н я тия в пар ы . Для этого в каждой в е ршине графа 1 замен и м термин ы на пары с одним и т е м же конт е кстом «Г К ОО методы». Этим дей с твием мы уточняем, ч т о все терм и ны, показ а нные на гр а фе 1, пони м аются нами в контексте графовы х контекстно-ориентир о ванных о н тологичес к их методо в . Результа т такого преобразования показан н а рис. 2. От выполнен н ого преоб р азования н а глядность г рафа 1 ни к ак не пост р адала: граф 2 по-прежн е му ясно выражает со б ой структ у рное определение кон ц епта ветвл е ние, ника к не проигрывая в наг л ядности графу 1. Бол е е того, гра ф 2 явно п о казывает, ч то все тер м ины графа 1 подразумевают оди н и тот же контекст. М ожно счи т ать, что гр а ф 1 представляет соб о й сокраще н ный вариант графа 2, в котором контекст вы н есен за ра м ки рисунк а . Задавая к онтекст, м ы , тем сам ы м, реализуем возможн о сть иметь дело с мног о значными п онятиями.

Рис. 2. Аналог «ручного» определен и я концепта в етвление, с о ставленный из пар поня т ий, име ю щих один и тот же конт е кст «ГКОО методы»
Далее мы не хотим, чтобы к о нтексты в о зникали в д руг и из ни о ткуда. Дл я этого пот р ебуем, чтобы все ввод и мые вновь контексты, за исключе н ием самого первого, у довлетвор я ли правил у контекстной определё н ности: понятие, кото р ое допуст и мо в качес т ве контек с та, должно встречать с я в предыдущих узлах Т-графа или в качест в е термина, или в качестве контекста. Напри м ер, в граф е 2 мы можем уточнить контексты, заменив к о нтекст «Г К ОО метод ы » на друг и е в соотв е тствии с п р авилом контекстной определённости. Так, в узле 2 гра ф а 2 контек с т «ГКОО м етоды» мо ж но форма л ьно заменить на конте к ст «ветвление» и т.д.
В отл и чие от нашего демон с трационно г о случая, в котором м ножество ε создано н а основе связной структуры терминологичес к ого графа, а втор созда е т ветвления «из голо вы », в струк т урно разрозненном виде. Таким образом, о н описывае т что-либо, что он мог б ы описать и ли уже оп и сал в тексте. Этот неф о рмальный процесс пе р евода чел о веком соб с твенного з н ания в его эксплицит н ое представление, бу д ь то текст, будь то мн о жество ве т влений, на п рактике о к азывается н епростым д елом. В этом процессе легко ошибиться, наз ы вая разны е аспекты описываемы х ситуаций о дними и теми же понятиями и, н аоборот, описывая в о дних тех ж е термина х разные с и туации. И ч исло подо б ных ошибок неконтро л ируемо возрастает, ко г да количе с тво поняти й увеличив а ется.
Для т о го, чтобы ассистиров а ть человек у в получен и и единого з нания, сос т авленного из словесных описаний разных ситуаций, мы предлагае м строго разделять, с о д ной сторо н ы, работу н осителя знания по с л овесному выражению своего оп ы та относит е льно конк р етных сит у аций, в ко т орых он оказывается с видетелем или экспер т ом. С друг о й – алгори т мическое ф ормирова н ие единого графа знания из множества отдельных слове с ных выска з ываний, описывающи х многообр а зие ситуа ц ий, подлежащих единому описанию. Каким образом ре а лизуется т а кое предл о жение под с казывает г р аф на рис. 3. Человек в ыражает свое знание в виде лока л ьных связе й отдельны х высказыв а ний (обведены пунктирной лини е й). Получив такое представлени е от человека, компьютер алгори т мически с т роит единый граф, осн о вываясь на структуре рис. 3.

Рис. 3. С х ема человеко-машинног о определен и я концепта в етвление, у ч итывающая семантику р у чного п остроения г р афа 1 и позволяющая ал г оритмическ и генериров а ть единое з н ание в соста в е «умных» т ехнологий
Предло ж енная схема позволяе т согласова т ь, с одной стороны, неформальн о е выражен и е человеком своего н еявного знания с помощью слове с ных высказываний. С д ругой – п р и своей пр о граммной реализации з начительно упрощает согласован и е смыслов индивидуа л ьных выс к азываний в ходе коллективной п р актики.
Д искуссия
М ы объясни л и процедуру использ о вания мето д ов, которые позволяют носителю знания пр о являть его в виде граф о вой структуры. Ключ е вая особе н ность пред л оженного визуальног о выражен и я индивидом знания с остоит в соединении в одной ин с трументал ь ной проце д уре нефор м ального и с пользования естеств е нного языка и аналит и ческого к о нтроля связности ест е ственно-яз ы ковых ут в ерждений. Э та процед у ра включает в себя, с о дной стор о ны, естест в енно-язык о вое описа н ие чего-ли б о, выполняемое в ви д е отдельных высказы в аний, с п о мощью ко т орых носи т ель знания выражает отдельные а с пекты сво е го знания. С другой с т ороны, гр а ф, генерир у емый на о с нове сово к упности та к их описаний, предст а вляет их как единую с т руктуру.
Таким о б разом, смысловая структура созд а ется как итог человеко - машинног о процесса в ыражения человеком з н ания, представленног о текстом и л и сформулированного устно, в в и де словесн ы х обозначений. Кро м е того, такое выражен и е оказыва е тся провер я емым на с в язность, ч т о создает « концептуа л ьное давл е ние» на человека при н еформаль н ом выраже н ии им смыслов, спрят а нных в «е г о голове». А лгоритмы, осуществляющие та к ую прове р ку, используют толь к о общена у чный при н цип конт е кстной об у словленности обозна ч ений и не о граничивают человек а в использ о вании ест е ственного я з ыка при п р едставлении им своег о знания в с л овесном в и де.
Пользов а тель ГКОО методов п р едъявляет с вое знание с помощь ю словесны х высказываний на тех ж е интуити в но понятных основан и ях, которы м и он прив ы к незамет н о для себя пользоват ь ся при работе с любым текстом. Для того, ч тобы струк т урировать свое знани е в виде гр а фов, от по л ьзователя не требуется освоения формальног о языка спе ц ификации , например, UML [28]. И спользуя в етвления, м ожно расп а раллелить концептуал ь ную работ у по формированию в и зуального з нания бол ь шого объе м а путем о т носительно независи м ого создан и я и редактирования с а мостоятел ь ных фраг м ентов знания. Такая к онцептуальная фрагм е нтация мо ж ет провод и ться как о д ним автор о м, так и и х сообщес т вом.
Поэтому ГКОО методы могут рассматриваться как процедура построения единой структуры знания. Создание структуры естественно-языковых высказываний в дополнение к текстовому описанию означает возможность дальнейшего развития ГКОО методов путем разработки средств, широко практикуемых в современной информационной экономике: запросов, вычислений на отдельных структурах данных (файлах, таблицах, графах и т.п.), накопления и редактирования информации, командной работы и многих других.
Заключение
Наиболее важной особенностью развиваемых ГКОО методов мы считаем возможности «социального контроля» аналитических действий при определении исследовательских понятий, формировании и использовании управленских процедур, работе с большими массивами нормативных документов и пр. Визуальное представление их связей проявляет концептуальные структуры, подразумеваемые исследователем в процессе написания текста, менеджером в процессе управления, законодателем в ходе совершенствования нормативного поля и т.п. Такое проявление семантики обозначений принципиально облегчает неформальный контроль аналитических утверждений актора как им самим, так и со стороны лиц, отслеживающих логику его концептуальных построений.
Список литературы Визуальное представление неявного знания в "Умных" Технологиях industry 4.0
- Каныгин Г., Полтинникова М., Корецкая В. Концептуальное обобщение социологических данных // Телескоп. 2019. № 3. С. 41-47.
- Каныгин Г.В., Полтинникова М.С. Контекстно-ориентированные онтологические методы в социологии // Труды СПИИРАН. 2016. № 5(48). С. 107-124.
- Каныгин Г.В., Хорева Л.В. Инновационный взгляд на сферу услуг: онтологии сервиса // Известия Санкт-Петербургского государственного экономического университета. 2016. № 5 (101). С. 78-85.
- Плотников В.А. Цифровизация как закономерный этап эволюции экономической системы // Экономическое возрождение России. 2020. № 2 (64). С. 104-115.
- Расков В.Е. Управление знаниями как самостоятельная область исследований: основные дискуссионные вопросы // Вестник Санкт-Петербургского университета. Менеджмент. 2007. Вып. 3. С. 34-58.
- Allessie D. Only Smart Citizens can enable true Smart Cities. [Электронный ресурс]. Режим доступа: https://www.citizenlab.co/blog/smart-cities/smart-citizens-can-enable-true-smart-cities (дата обращения 01.07.2020).
- Dragicevic N., Ullrich A., Tsui E., Gronau N. A conceptual model of knowledge dynamics in the industry 4.0 smart grid scenario // Knowledge Management Research & Practice. 2020. Volume 18. Iss. 2. P. 199-213.
- Flores C.C., Rezende DA. Twitter information for contributing to the strategic digital city: Towards citizens as co- managers // Telematics and Informatics. 2018. Vol. 35. Iss. 5. P. 1082-1096. https://doi.org/10.1016/j.tele.2018.01.005
- Ghosh G., Banerjee S., Yen N. State transition in communication under social network: An analysis using fuzzy logic and Density Based Clustering towards big data paradigm. Future Generation Computer Systems. 2016. Vol. 65. P. 207-220. https://doi.org/10.1016/jiuture.2016.02.017.
- Mohajan H. Sharing of Tacit Knowledge in Organizations: A Review // American Journal of Computer Science and Engineering. 2016. Vol. 3. Iss. 2. P. 6-19.
- Hermann M., Pentek T., Otto B. Design principles for Industrie 4.0 scenarios // 49th Hawaii International Conference on System Sciences (HICSS). Koloa, HI, 2016. P. 3928-3937.
- Kagermann H., Lukas W.D., Wahlster W. Industrie 4.0: Mit dem internet der dinge auf dem weg zur 4. industriellen revolution // VDI Nachrichten. 2011. № 13.
- Kanygin G.V., PoltinnikovaM.S. The graph context-oriented ontological methods // Cloud of science. 2019. V. 6. № 2. P. 246-264.
- Leitao P., Karnouskos S., Ribeiro L., Lee J., Strasser T., Colombo A.W. Smart agents in industrial cyber-physical systems // Proceedings of the IEEE. 2016. Vol. 104. Iss. 5. P. 1086-1101.
- Lucas L. The Impact of Trust and Reputation on the Transfer of Best Practices // Journal of Knowledge Management. 2005. Vol. 9. Iss. 4. P. 87-101.
- Majewska M., Szulczynska U. Methods and Practices of Tacit Knowledge Sharing Within an Enterprise // An Empirical Investigation, Oeconomia Copernicana. 2014. Vol. 5. Iss. 2. P. 35-48.
- Masaru O. Reflection of Tacit Knowledge // The 34th Annual Convention of CAJ. 2004. [Электронный ресурс]. Режим доступа: http://haa.su/Ywj (дата обращения 01.07.2020).
- Nazari M. Smart cities built by smart people: How to build Smart cities using a contextual participatory approach? // Smart Cities and Regional Development (SCRD). 2018. Vol. 2(1). P. 47-55.
- Nonaka I., Konno N. The concept of «ba»: Building a foundation for knowledge creation // California Management Review. 1998. Vol. 40. Iss. 3. P. 40-54.
- Nonaka I., Takeuchi H. The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. NY: Oxford University Press, 1995.
- Novak M.J., Hammer M. Tacit Knowledge Transfer in a State Transportation Agency // Ohio Transportation Engineering Conference, 27-28 October 2009. [Электронный ресурс]. Режим доступа: http://haa.su/Ywk (дата обращения 01.07.2020).
- Pavlovskaya M., Kononova O. The Post in the Smart City // Digital Transformation and Global Society. DTGS 2018. Communications in Computer and Information Science. 2018. Vol 858. P. 227-242.
- PolanyiM. The tacit dimension. London: Routledge & Kegan Paul, 1966.
- Polanyi M. Personal knowledge. Towards apostcritical philosophy. London: University of Chicago Press, 1958.
- Schwab K. The fourth industrial revolution. New York: Crown Business, 2017.
- Swedberg R. On the Near Disappearance of Concepts in Mainstream Sociology // Concepts in Action: Conceptual Constructionism. Leiden, Boston: Brill, 2018. P. 23-42.
- Toyoshima Y., Kohno M. Smart Urban Infrastructure as an Enabler of the Integration of Resident-Oriented Services // Concept-Oriented Research and Development in Information Technology. 2014. P. 195-208.
- Unified Modeling Language. [Электронный ресурс]. Режим доступа: https://www.omg.org/spec/UML/2.5/About-UML (дата обращения 24.09.2019).
- Wagner Ch. Breaking the Knowledge Acquisition Bottleneck Through Conversational Knowledge Management // Information Resources Management Journal. 2006. Vol. 19. Iss. 1. P. 70-83.
- Wilkesmann M., Wilkesmann U. Industry 4.0 - Organizing routines or innovations? // VINE Journal of Information and Knowledge Management Systems. 2018. Vol. 48. Iss. 2. P. 238-254.