기업 지식관리 번역:강태진 장윤미 조병철 사업지식의 운영 고용인들이 현재의 과열된 구인시장에서 직업을 자주 바꾸에 따라서, 각 회사들은 중요한 지식의 상당부분에 접근하지 못하고 있다. 전 회사에 해당되고, 또한 그 모든 구성원들에게 소용될 수 있는 시스템을 구축하는 것이 가능할까..? 현재의 사업은 점점 더 경쟁적인 환경에 직면하고 있다. 각 기업들은 규모를 줄임으로써 경비절감을 하여서 이러한 환경에 적응하려 하고 있다. 그러나 기업들이 그들의 고용인들에 대한 지식을 가지지 못한다면, 규모를 줄이는 것은 치명적인 정보의 손실이 될 것이다. 비슷하게, 고용인들이 자주 직업을 바꾸는 빈도가 증가함에 따라서, 회사들은 점점 더 중 요한 정보를 얻지 못하고 있다. 그리고 기업들이 국제적으로 확장됨에 따라서, 지형적인 장벽이 정보에 대한 접근을 어렵 게 할 수도 있다. 이런 것들과 다른 요인들이 점점 보다 나은 지식 경영방법에 대한 필요성 을 증대시키고 있다. 전 회사에 소용이 되면서, 모든 구성원들에게 쓸모 있는 시스템을 만드는 것이 가능할까? 크고 작은 조직들은 점점 더 이 답에 대해서 지식 관리 시스템을 제시하고 있다. 사업의 영역에서는 지식관리에 대한 우려가 높아져서, 하나의 리포트에 따르면, 약 1000 개의 사업중에서 40퍼센트 정도가 주요정보관리자를 가지고 있고, 둘째로 중요한 것은 지식 공유에 대한 하부구조와 문화적 환경을 만드는 것이다. 지식관리란 무엇인가..? 지식관리시스템은 정보의 전형적인 향상된 정보기술을 사용한 원할한 이용을 위한 지식 관리의 소재를 촉구한다. 지식관리는 지식이 미리 특별화된 범주에 의해 분류되는 점에서 논리적이다. 사업에서 지식관리을 사용하는 주된 이유는 지식에 대한 쉬운 접근과 재사용에 있다. 지식의 소재는 특별한 사업분야나 응용체제에 따라서 다양할 수 있으나, 그것들은 일반적 으로 여러 업무분야에 의해 분할된 다양한 고객들의 요구에 부응하는 매뉴얼이나 여러 해답 의 요약집등이 될 수 있다. 많은 범주의 지식들이 지식관리에 사용된다. 이메일, 데이터 베이스, 브라우저와 검색엔진, 인터넷과 인트라넷 등이 그것이다. 인공지능에서는 지식기반은 소위 전문가와 문제에 대한 해답을 추론할 수 있는 지식기반시스템에 의해 생성된다. 비록 컴퓨터의 추론에 의한 지식획득이 여전히 중요하지만, 대부분의 현재의 지식관리개 발은 지식을 사람의 직접적인 요구와 소프트웨어의 지식의 직접적 처리를 가능하게 하는 지 식을 생성하게 하는 것을 가능하게 한다. 역사적으로, 지식관리는 단일그룹의 목표가 되어 왔다. EIS에서는 데이터 베이스에 대한 억세스에 대한 것이나, 기타 다른 지식경영의 목표가 되는 기술에 대한 툴을 가지고 있다. 더욱 최근적으로는, 지식관리 시스템은 전체조직을 목표로 하고 있다. 경영진이 정보와 지식 에 대한 것을 필요로 한다면, 그들의 고용인들은 그러한 정보에 대한 관심을 가지게 될 수 있을 것이다. 더해서, 지식 관리는 이론적으로는 경영외적인 측면에도 부합되어야 하는데 고객 지원이 나 서비스와 같은 것이 각각의 고객관리 지사에 응용될 수 있도록 코드화 되어서 데이터베 이스를 이용할 수 있을 수도 있을 것이다. 도구로서의 지식관리 조직에서 관리하여야 할 정보가 많아짐에 따라서 ,조직에서는 보다 효과적인 방법으로 그 러한 지식을 관리하려고 한다. 역사적으로, 지식은 종이나 사람의 기억속에 저장되었으나, 불행히도 종이에 쓰여진 정보는 추가보완이 어려웠다. 기본은 세가지 타입의 레슨으로 나누어지는데, 정보적인 것과, 성공적인 것과,그리고 문제 제기이다. 정보적 레슨은 NAS의 고용인들이 임시직으로 옮겨 갈 수 있는가 하는 것이다. 성 공적인 레슨은 위기에 대한 긍정적 대응이다. 문제제기 레슨은 틀린 예와 그것을 풀 수 있 는 해답을 제시할 수 있다. 유사하게, 포드 자동차 회사는 (TGRW라 한다) 업무성취 쉽게하 는 지식을 가지고 있는은 TGR에서 관리하는 반면, 업무를 저해하는 요소에 대한 지식은 TGW에서 관리한다.(일반적으로, 고용인들은 잘못된 일에 관련되기를 싫어하기 때문에 TGW 보다는 TGR에서 자료를 모으기가 훨씬 더 쉽게 된다.) TGRW지식체계는 프로젝트의 관리에 필요한 자료들은 참고하는데 매우 중요하게 되는 것이다. 기본적 연습 지식기반의 가장 좋은 연습은 가장 좋은 과정을 참고하는 것이다. 전형적으로, 지식기반 의 가장 좋은 연습은 가장 좋고 효과적인 방법을 벤치마킹하는 것이다. 가장 좋은 지식을 얻은 후에는, 그들은 결합되지 않을 수 있다. 예를 들어서, 제네랄 모터 허쉬 전자회사는 각각의 항목이 간단한 설명으로 이루어진 '데 이타 베이스의 최적 과정'을 유지한다고 하자. 전형적으로, 항목은 과정이 진행됨에 따라 전 조직에 걸쳐서 변하게 되고 그것은 과정을 더욱 향상시키게 된다. 그것을 그렇게 하는 것이 하나의 단일 데이터 베이스를 보다 적응력이 높게 되어지게 할 수 있는 것이다. 컨설턴트에게 있어서 가장 먼저 할 일은 각 기업에 맞게 컨설팅하는 것이다. 뉴스리포트는 사업에 있어서 공식적인 외부지식의 사업영역으로의 축적을 하게 해 준다. 예를 들어서, 전문적 서비스 기업인 KPMG는, 고용인들의 미리 걸러지고, 미리 분류되고, 미리 조사된 데이터와 고용인들에 대한 데이터에 대한 데이터를 위한 전담팀을 구성하였다. 자료로부터 지식의 창출: 지식 발견(knowledge discovery) 지식 발견은 다양한 자료(data)의 저장소(warehouses)에서 얻은 지식을 이용하기 위해서 인 공 지능, 수학, 그리고 통계학적 도구를 사용하는 학문으로서 새롭고 빠르게 진화하는 분야 이다. Gregory Piatetsky-Shapiro와 William Frawley는 지식 발굴을 자료(data)에서 이전에 밝혀지 지 않은 함축적이고, 미래에 유용한 정보를 상당량(non-trivial) 추출하는 것으로 정의한다. 지 식 발굴적 접근 방법은 적용 영역의 특성과 구조를 개발(이용)하기 위해서 고안되었기 때문 에, 지식 발굴은 사기 분석, 신용 카드 분석, 보안, 고객 분석 그리고 상품 분석을 포함하는 다양한 분야에 적용되고 있다. 지식 발굴은 텍스트와 수치 자료 두 가지 모두를 분석하기 위한 상이한 도구들과 접근 방법을 포함하는 하나의 방법론이다. 예를 들어, 다양한 조직들은US Security and Exchange Commissions Edgar의 금융 정보와 같은, 수치 자료에서 지식을 이끌어 내기 위한 다양한 방 법을 발전시켜 왔다. Price Waterhouse는 웹 사이트에서 Edgar를 이용할 수 있도록 하기 위해 서, 그림 1에서 알 수 있듯이 EdgarScan이라고 불리는 정보 시스템을 개발했다. EdgarScan은 공공 이용이 가능한 금융 정보의 보고를 사용자들이 접근할 수 있게 한다. 그림에서 보듯이, 자료는 정기적으로 Edgar 웹 사이트에서 얻을 수 있고, 또한 Price Waterhouse에 의해서 보관 되는 Oracle database에 저장된다. 또한 데이터베이스 유지와 사용자들에 대한 응답을 원활 하게 하기 위해서 사용자 프로필이 보관된다. 이러한 수치 자료에 접근함으로써 사용자들은 시간의 흐름과 더불어 자료의 변화를 관찰할 수 있다. 이것을 통해서 사용자들은 기업간의 비교를 쉽게 할 수 있다. 또한 Price Waterhouse는 텍스트 자료에서 경영 변화에 관한 지식을 추출하기 위해서 매일 밤 대략 1,000개의 소식지(newsletter)들을 검색할 수 있는 Odie(On-Demand Information Extractor)를 개발했다. 미국과 유럽의 뉴스 전송망 모두에 적용되고 있는 Odie는, 관련 비즈 니스 활동을 이해하기 위해서 경제 뉴스 기사에서 사용하는 양식화된 언어와 문장론적 패턴 에 관한 지식을 사용한다. 게다가, Price Waterhouse는, 예를 들어 합병(acquisition)과 같은 다 른 형태의 경제 활동에 대한 이해를 도울 수 있는 정보를 수집하기 위해서 반구조화된 (semistructured) 텍스트를 모니터(감시)할 수 있는 가능성을 조사중이다. 지식을 표현하기 KM system은 사람과 기계 양자가 해독할 수 있는 형태의 지식을 나타낸다. 인간이 해독할 수 있는 지식은 주로 브라우저나 정보 탐색 에이전트에 의해서 접근이 가능했다. 그러나 일 부 지식들은 기계 해독의 목적으로 접근이 가능하며, 의사 결정을 지지하는 전문가 시스템 의 지식 기반으로서 설계되었다. 반면에, ontology(존재론)는 전통적으로 시스템을 위한 지식 을 정의하는 임무의 분류법과 관련되기 때문에, 그것(존재론)은 KM 시스템의 고유한 특성이 다. 인간해독 지식 인간 해독 지식은 KM 시스템에서 다양한 접근 방식을 사용하여 나타내어 진다. 많은 경 우에 있어서 사건 특유의(case-specific) 정보가 지식을 가장 잘 사용하기 위해서 사용자에게 요구되는 적절한 수준의 표출(representation)을 제공하는 것처럼 보인다. 예를 들어, 나는 고객 의 모뎀을 지원하기 위한 KM 시스템을 개발하는 것을 도왔다. 나는 특수한 모뎀들(기술 설 명서, 자료, 그림들, 기타 등등)과 관련된 지식을 파악하고 지식의 base에 있는 자료를 요약 하기 위해서 이 시스템을 개발했다. 고객 지원에 무슨 문제가 생기거나 하나의 모뎀을 떠올 릴(picture) 필요가 있을 때마다, 그들은 그것을 지식 base를 통해서 접근할 수 있다. 고객 지 원에 특별한 문제가 생길 때, 그러한 문제들은 고객, 모뎀, 그리고 문제의 종류에 따라서 색 인을 표시하여 특별한 사건들(cases, 사례들)로 파악된다. 따라서, 다른 사람들에게 비슷한 문 제가 생기면, 그들은 데이터베이스에 문서화되어 있는 그러한 문제들을 찾을 수 있다. 정보가 주로 진술적인 지식(사실(facts)이나 주장과 같은 지식들)인 다른 상황에서는, 텍스 트나 규칙(rules)은 정보와 지식을 표현하기 위해서 사용될 지도 모른다. 예를 들어, 매뉴얼, 소식지(newsletters), 그리고 다른 비슷한 종류의 지식들은 대체로 문서, 목록(list) 또는 정관의 형태로 제공된다(비록 탐색을 용이하게 하는 지식과 이해 사이에는 추가적인 연결 고리가 있을 지라도). 구성상의 규칙은 이미 널리 알려진 행동을 유도하고, 일반적으로 동일한 형태 (예를 들어, 만약 a 라는 행동을 하고 나면, 다음에는 b를 해라)가 될 것이다: 만약 당신이 임신했다면, 당신은 최대 8주간의 가정 휴가를 낼 수 있습니다. 이러한 정해진 규칙의 적용 은 규칙에 근거한 지식 기반 시스템(rule-based knowledge-based system)에 잠재적으로 사용될 수 있을 것이다. 만약, 반면에, 정보가 고도로 여과된다면, 그것은 일종의 선언적인 진술로서 표현될 가능 성이 많다. 예를 들어, Arthur Andersen의 Global Best Practices (http://www.arthurandersen.com/ gbp/BPList.htm)에 관한 지식 기반(base)은, 기업의 비즈니스 목적에 통합되고 일치하는 IT 전 략을 개발하고 유지하라와 같은 항목을 포함하여 다섯 가지 특정한 정보 자원을 관리하기 위한 최선의 방법을 목록에 올렸다. 이러한 지식은 선언적이고 특수한 상황 정보로부터 독 립적이기 때문에, 데이터베이스는 어떤 특수한 사건(경우)을 항목에 포함시키지 않는다. 비록 여과 과정을 통해서 올바르고 일관된 지식을 보장하지만, 선언적인 지식을 개발하는 것은 주로 상황적 맥락과 논쟁을 제거하기 때문에 궁극적으로는 하나의 정치적 과정이다. 따라서, 여과된 지식은 여과되지 않은 정보가 가질 수 있는 깊은 통찰력을 제공하지 못하는 한계를 지닐 수 있다. 기계 해독 지식 전문가 시스템은 사용자들로 하여금 권고된 해결책을 유도할 수 있도록 하기 위해서 지 식 기반(base)과 사용자들의 반응을 이용한다. 전문가 시스템은 KM 시스템의 핵심적인 부분 이 될 수 있다. 예를 들어, Deloitte와 Touche의 KM 시스템은 확인 활동(assurance activities)과 같은, 특별한 과정을 지원하기 위해서 전문가 시스템을 갖추고 있다. 비록 일부 KM 시스템은 그러한 인공 지능에 기반한 시스템을 포함하고 있지만, 대부분의 KM 시스템은 주로 인간 해독 지식을 탐색하는 정보 에이전트의 형태로 인공 지능을 사용한 다. 우리는 KM 시스템에서 인공 지능과 지식에 기반한 시스템의 사용을 넓히기 위해서 추 가적인 연구가 필요하다. 우리는 어떠한 형태의 지식 표현(representation)이 특수한 종류의 지 식에 가장 잘 작동하고, 어떻게 인공 지능이 KM 시스템으로 통합될 수 있는지에 대해서 배 울 필요가 있다. 존재론 존재론은 개념화(conceptualization)의 명백한 설명서(specification)이다. 기업의 KM 시스템에 서는, 존재론 설명서(ontology specification)들은 시스템 지식을 정의하는 각종 과제(task)를 분 류하는 것을 의미한다. 존재론은 의사소통, 탐색, 저장, 그리고 표현(representation)을 용이하게 하기 위해서 KM 시스템에서 사용되는 공유된 언어(vocabulary)를 정의한다. 기업 전반에 걸 친 존재론을 개발하고 유지하는 것은 시간의 경과와 더불어 존재론을 진화하기 위한 계속적 인 노력을 필요로 한다. 존재론들은 최선의 실행(best-practices) 자료들이 사용자들에게 광범위한 영역의 실행방법 (practices)과 활동을 전달하고, 사용자들로 하여금 최선의 실행 방법이 그들의 조직에 잘 어 울리는 시기를 인식하는 것을 보장하는데 있어서 매우 중요하다. 보고에 의하면, Price Waterhouse는 최선의 실행(best-practices) 데이터베이스를 위해서 40,000개 이상의 목록(entries) 을 가지고 있다고 한다. Price Waterhouse는 국제적으로 활동하는 기업이기 때문에, 존재론은 사용자의 범위와 접근을 넓히기 위해서 다른 언어들로 번역되고 있다. 게다가, 기업들은 종 종 다수의 산업을 포함하고 있기 때문에, KM 시스템의 일부분으로서 복수의 존재론이 필요 할지도 모른다. 사실상 KM 시스템을 가진 모든 기업들은 필요에 의해서 그들 자신의 존재론을 개발했다. 그들 기업들은 그 동안 이러한 투자를 해 왔기 때문에, 이 시점에서 그들이 구축한 존재론 이 경쟁 우위를 제공하는 듯이 보인다. 그러나, 적어도 하나의 기업은, 개발 비용을 줄이고 시스템 개발을 신속히 하기 위해서 복수의 조직에 공유될 수 있는 하나의 존재론을 만드는 데 관심을 보여 왔다. 시간이 지남에 따라, 이러한 이유들(개발 비용을 줄이고 시스템 개발 을 신속히 하려는 이유) 때문에 산업들은 연합을 형성하거나 중앙 공급 서비스(central service)를 이용할 가능성이 높다. 타 지식 기술 속성(Other Knowledge description attributes) 게다가 존재론 정보에 , 붙여지는 지식의 속성은 그것의 사용과 유지를 중요함을 말하 며, 기부자, 조직, 정보상태들은 모두 존속가능한 기술 속성이며 . 실질적인 모든 지식은 접 촉 혹은 정보 분배, 그들의 이름, 분배날짜, 지식의 일반화에서의 그 사람의 역할에 기반을 둔다. 많은 지식은 조직적 형태의 정보와 모아진 지식을 기반으로 하는 프로젝트들를 기반으 로 한다. 지식에 대한 상태정보는 전형적인 기술성의 속성이며 . 이러한 종류의 상태정보는 계획 된 프로젝트의 요소와 , 현재 사용한 사용되어지는 어떤 도구를 포함하며 . 이것은 정보가 외부적으로 정확하게 사용이 되어지는가 혹은 내부적 목적으로 사용되어 지는 가를 나타내 기도 한다. 지식 여과(Knowledege Filtering) 불행히도, 지식의 품질과 중요성은 ,시스템에 지식을 제공하는 사람과 같이 요소들의 수 에 따라 다양하다. 토론그룹에서 획득관리분야에서 가장 유명한 전자 포럼인 Walter-Cooler 사이트는 여과된 정보는 없다. 포럼으로 보내진 메세지는 초기 메세지와 뒤따라오는 응답으 로 구성된 주요 단어로 표현된다. 지식의 품질과 중요도는 소스부터 소스까지 가지각색이므로, 시스템은 종종 지식을 완성 하고 올바르게 하기 위해, 지식 필터링에 의지한다. 예로서 거대한 전자회사인 GM에서 최 적처리 reengeering 실행은 인간과 컴퓨터화된 지식을 묶어주는 데이타베이스로 집약된다. 각 엔트리는 유용성과 타당성을 위해 엔트리를 가리는 에디터에 종속된다. 국가 기밀 국 (NSA)에서 아홉명의 멤버로 구성된 팀은 ' 습득된 과정'이 유효한 여부를 결정했다. 모든 획 득된 과정은 데이타베이스에 포함되지 않는다. 모든 필터링은 인간에 의해 실행되지 않는다. 아마도 대부분의 컴퓨터기반 필터의 가장 확연하고 빈번한 사용은 Email 문서를 분류화하고 순위를 메기는 메세지 필터링이다. 많은 수의 상품은 또한 품질의 데이타베이스를 관리한다. 예로서 grapeVine(http://www.gvt.com) 사 는 다중 로터스노트 데이타베이스를 관리한다. 이 시스템은 개인 취향 프로파일에 기반을 둔 문서와 다른 토론내용을 연결하는 정보의 요약을 포함하고 있는 '경고' 메세지를 발생시 킨다. 이것은 프로파일 기반이기 때문에 개인이나 그룹 또는 조직의 요구에 따라 모니터 링 할 수 있다. 불행히도 grapeVine사와 같은 협력 시스템에서 단계적인 적용은 제한을 가지고 있다. 협 력 시스템은 회사에게 들어오는 정보의 중요도에 개별적인 순위를 가지고 있다. 사용자는 어떠한 정보를 "매우 중요","중요",또는 그밖의 것으로 분류화할 수 있다. 대기업내에서 다른 개인사용자는 다른 사람에게 정보가 전달되기 전에 어떠한 중요도를 가지는지 등급을 매길 수 있다. 긴박한 경영상황인 경우 우리는 "매우 중요"한 정보를 필요로 한다고 가정할 수 있 다. 그러나 이러한 접근방법의 제한은 "중요"로 등급이 매겨진 정보가 "매우 중요"로 판명될 수 도 있다는 것이다. 매니져는 항상 필요하고 매우 중요한 정보를 찾는 것은 아니다. 어떤 상황에서는, 우리는 등급관리자가 다르게 평가된 것보다 더 높게 평가를 매기는 경향이 있 을 수 있다고 생각할 수 있다. 한편으로 매니져는 모두 "매우 중요"한 문서를 결국 받아보기 위해 자신의 등급을 "중요 "로 설정할 수 있다. 궁극적으로 이러한 것은 과장을 중요하게 만들거나, 정보의 홍수를 만 들어 냈다. 지식을 위한 연구(SEARCHING FOR KNOWLEDGE) 지식기반은 대단히 커질 수 있다. 예로서, 포드사의 초기 지식 기반은 1997년 6월에 30,000쪽이 넘는 분량의 문서를 가지게 되었다. 일반적인 지식기반은 대단히 많은 정보를 가지고 있기 때문에 효과적으로 정보를 찾는 방법이 주요한 임무가 되었다. 대부분의 유명 한 검색 기술은 검색엔진, 지능적 중개인(intelligent agnets),그리고 비주얼한 모델을 포함하고 있다. Search engines Altavista,Excite,Infoseek,Lycos,WebCrawler,그리고 Yahoo와 같이 잘 알려진 인터넷 검색엔진 은 인터넷에서 사용자들을 인도하는 역활을 한다. 검색엔진들은 KM(지식관리)을 위한 인트 라넷 환경에도 적용할 수 있다.덧붙여서 많은 회사는 편리한 검색 엔진을 위해 다른 접근방 법을 개발하고 있다. 예로서 Anderson Consulting 회사는 "지식과 연결된 인터페이스의 중앙집 중 보관소(지식의 지도)" 를 가지고 있다. 사용자는 지도를 선택하거나 데이타 베이스의 접 근방법에 대한 지식이 필요업시 다중 데이타베이스에 저장되어 있는 지식에 바로 연결하여 사용할 수 있다. Intelligent agents 지능적 중개인(intelligent agnets)은 인터넷이나 인트라넷상에서 얻을 수 있는 지식에 사용 자를 연결시키는데 사용되어 진다. 예로 InfoFinder는 사람들이 관심있는 것들만 분류화하는 경향을 인식하여 분류화된 메세지나 문서의 정의로 부터 사용자의 관심분야를 찾아낸다. 더욱이 InfoFinder는 사용자의 관심분야에 추가적인 정보를 얻기위해 발견적 학습를 사용한 다. 메세지의 문법에 기초하여 InfoFinder는 사용자의 목표를 알아내기 위해 중요한 문구를 결정한다. 예로서 발견적 학습은 ISDN과 같은 머리글자의 완전한 뜻을 알아낸다. 다른 발견적 학 습은 NOT과 같이 뚜렷한 것은 단어를 확장하지 않는다. 다른 문법적 발견학습법은 마침표, 숫자 리스트, 단락 머릿말, 그리고 다이어그램을 포함한다. 이 발견적 학습은 InfoFinder가 직 접관심분야중의 하나인 예제 문서를 찾아준다. 시각화 모델 효과적인 기업 지식관리에 대한 연구에 현저한 새경향은 시각화 모델이다. 두 개의 새로 운 도구는 Perpecta와 Xight로서 시각화 지식 영역의 다른 방식들로 나타난다. Perpecta(http://www.perspecta.com)는 소스 자료 즉 이는 데이터베이스에 있는 구조화된 정 보와 뉴스 재료와 같이 표시된 자료들이나 사무실에서 구조화되지 않은 자료, 사무 자료나 웹페이지와 같은 것으로부터 추출된 메타정보를 사용하는 스마트컨텐츠로 불리는 것을 만든 다. 구조화되지 않은 자료에 대해서, Perpecta는 언어적 분석을 실행하고 자동적으로 표시 (tag)를 달아주는 자료분석엔진이다. 스마트컨텐츠 서버는 이러한 표시된 정보를 분석하고 자료들간의 관계성을 확인하고. 정보공간 형태언어(ISML)를 사용하면서 다차원(multimensional) 정보공간을 만든다. 사용자는 마우스를 조작하여 예3의 정보공간을 날아오른다. 데이터는 자 원을 보존하기위해 http 확장인 정보흐름 전송프로토콜(ISTP)로 즉시 Perpecta를 사용하는 클 라이언트에게로 다운로드 된다. InXight 소프트웨어(http://www.inxight.com)는 Xerox PARC의 부산물로 최근 더 큰 조직을 시 각화하는 VizControl 정보 시각화 프로그램을 떼어놓은 것이다. VizControl 기술은 여러 개의 새로운 시각화 포맷과 초대형 자료의 포괄적인 구조를 남겨두는 동안 전경프로그램이 관심 하는 것을 객체화시키는 focus+context 기술들을 활용하는 것을 제공한다. 이러한 툴중에 하나는 쌍곡선 브라우저(물고기-눈)가 예4 에 보여준다. 지수함수적으로 제공하는 쌍곡선 기하학과 나아가서 지수함수적으로 깊이를 확장하는 정보계급 공간을 활용 한다. 그리하여 쌍곡선 브라우저는 100이나 노드들이 전통적인 2D 브라우저에 보여주는 것 에 반대되는 그 중심에 문자의 중요한 결과를 보여주는 600*600 윈도우 화면에 1,000노드 를 보여줄 수 있다. 사용자는 쌍곡선 기체위로 노드를 클릭하거나 마우스를 드랙함으로써 정보공간을 조종할 수 있다. 현재 데모 실행 지도 웹 체계는 url에 의해 파악된다. 그리하여 강력한 의미 구조를 보류하며, 이해가능한 것은 브라우저가 InXight의 LinguistX 자연언어 프로세싱 도구와 같은 기 술을 사용하여 더 의미있는 정보를 통합한다. 문화 주제 극단적으로 지식관리는 지식 공유의 문화를 스며들게 하는 강한 리더십을 요구한다. 지 식관리가 (북맨 연구소가 재조직함으로써 성취한) 집중식 패션으로 실행되어진 것이거나 (휴 렛 팩커드가 실행한) 분산식 시스템이든 아니든 지식관리 시스템은 지식 공유를 요구한다. 따라서 조직화는 지식 공유를 확실히 가능하게 하는 다른 격려 시스템을 사용한다. 따라서 Tom Davenport는 로투스는 그의 고객의 전체 실행 평가의 25%가 지식 공유를 지지하도록 전념한다. 북맨 연구소는 레조트에서 연례대회를 통해 그의 상위 100개의 지식 공유자를 알고있다. ABB는 그들의 결정 결과뿐만 아니라 의사결정 과정에 적용한 지식과 정보에 기초하여 매니저를 평 가한다. 격려 형태와 지식관리에 대한 공헌을 측정하는 능력은 일반적으로 지식관리 시스템이 조 직이나 특별한 적용에서 수준이나 기능에 부수한다 불가치하게 격려시스템은 측정가능한 활 동에 기초한다. 휴렛 팩커드의 법인 교육 그룹은 처음 50명의 독자에게 항공 2,000마일리지 를 주고 새로운 지식 기반에 공헌한 자들에게 500마일리지를 준다. 이러한 격려시스템이 노동자들이 느끼는 문화적 골격을 촉진하든지 아니든 간에 알아야 할 것이 아직 남아있는 지식관리 시스템에 활동적으로 참여하도록 최상의 관심을 주는 것이 다. 어째든 명확히 지식관리 시스템은 기업들에게 기술적 우위를 차지하도록 이득을 주고 있다. 기업이 경쟁적 압력을 만나게 하고 가치를 창조하도록 지식관리 시스템을 향해 추진 해 나감으로써 그들은 이러한 시스템이 존재하는 지식을 재사용하는 것과 더 좋은 결정을 하도록 허용하는데 노력하는 새로운 지식을 창조하도록 하는데 용이하게 한다는 것을 점차 발견하게 될 것이다.