=Paper=
{{Paper
|id=Vol-2228/paper3
|storemode=property
|title=Aplicação da Teoria de Múltiplos Níveis para a Modelagem de Processos Intensivos em Conhecimento(Applying Multi Level Theory for Modeling Knowledge-intensive Processes)
|pdfUrl=https://ceur-ws.org/Vol-2228/paper3.pdf
|volume=Vol-2228
|authors=Tatiana Barboza,Fernanda Araujo Baião,Flavia Maria Santoro
|dblpUrl=https://dblp.org/rec/conf/ontobras/BarbozaBS18
}}
==Aplicação da Teoria de Múltiplos Níveis para a Modelagem de Processos Intensivos em Conhecimento(Applying Multi Level Theory for Modeling Knowledge-intensive Processes)==
https://ceur-ws.org/Vol-2228/paper3.pdf
Aplicação da Teoria de Múltiplos Níveis para a Modelagem
de Processos Intensivos em Conhecimento
Tatiana Barboza, Fernanda Araujo Baião, Flavia Maria Santoro
Departamento de Informática Aplicada
Universidade Federal do Estado do Rio de Janeiro (UNIRIO)
Av. Pasteur 458, Urca – 22290-240 – Rio de Janeiro – RJ – Brasil
{tatiana.barboza, fernanda.baiao, flavia.santoro}@uniriotec.br
Abstract. A Knowledge Intensive Process (KiP) is a composition of activities
whose execution contributes to satisfy an objective and whose flow of control
between the activities at the instance level presents a high degree of
variability. KiP modeling has been the focus of several recent efforts in BPM
theory and practice but, despite several recent advances, it is still a chal-
lenge. Among the existing difficulties, this work deals with the difficulty of dis-
tinguishing between elements in diferente instantiation levels, which in
scenarios of KiP becomes critical due to its complexity. This work proposes a
systematization for the application of the Multi Level Theory (MLT) on top of
KiPO (Knowledge-intensive Process Ontology), for modeling KiPs. The
results are illustrated in a scenario of a KiP for Data Management.
Resumo. Um processo intensivo em conhecimento (PiC) é uma composição de
atividades cuja execução contribui para satisfazer um objetivo e cujo fluxo de
controle entre as atividades, no nível de instância, apresenta alto grau de
variabilidade. A modelagem de PiC tem sido foco de diversos esforços
recentes na teoria e prática em BPM mas, apesar de vários avanços recentes,
ainda é um desafio. Dentre as dificuldades existentes, este trabalho trata da
dificuldade da distinção entre elementos de nível de instanciação distintos,
que em cenários de PiC torna-se crítica em função da sua complexidade. É
proposta uma sistematização para a aplicação da teoria de múltiplos níveis
(MLT) na ontologia KiPO (Ontologia para Processos Intensivos em
Conhecimento) para modelagem de PiC, cujos resultados são ilustrados no
cenário do processo de Gerenciamento de Dados.
1. Introdução
Um processo de negócio é uma sequência de atividades que tem objetivo criar produtos
e serviços que agregam valor a clientes [Hagen 2005]. Para uma gestão mais efetiva,
organizações vêm há muito tempo adotando abordagens de Gestão de Processos de
Negócio, que compreendem, dentre outras etapas, a modelagem de processos de
negócio. Os modelos de processo desempenham papel importante entre os especialistas
no domínio do negócio e os representantes em tecnologia de informação, facilitando e
tornando mais precisa a comunicação entre eles; em função disso várias metodologias
adotam a modelagem de negócio como a primeira etapa de desenvolvimento de
software.
Contudo, métodos tradicionais de modelagem de processos não tratam todas as
perspectivas relevantes para os denominados Processos intensivos em Conhecimento
(PiC). Um PiC é definido como uma composição de atividades (eventos) previstas cuja
execução contribui para satisfazer um objetivo e cujo fluxo de controle entre as
atividades, no nível de instância, tipicamente apresenta um alto grau de variabilidade.
Além disso, este tipo de processo compreende sequências de atividades intensamente
baseadas em aquisição, compartilhamento, armazenamento e (re)uso de conhecimento, e
o valor agregado à organização depende essencialmente do conhecimento dos atores
envolvidos na execução do processo. Di Ciccio et al. (2015) mostram que a intensidade
de conhecimento tácito envolvido é diretamente proporcional ao nível de estruturação
no fluxo de controle das atividades do processo, ou seja, quanto mais conhecimento
tácito dos participantes do processo for requerido para determinar o fluxo de atividades
a ser executado, maior o grau de flexibilidade e imprevisibilidade do processo e,
portanto, menor o seu nível de estruturação. Por causa de tais características, é um
grande desafio modelar um processo intensivo em conhecimento, uma vez que ele
compreende uma combinação de perspectivas para a sua representação mais precisa
(elementos cognitivos que influenciam o racional para tomadas de decisão, busca por
soluções inovadoras e atividades colaborativas). Este tipo de processo acessa uma
grande quantidade de dados não estruturados relevantes como troca de mensagens entre
participantes, regras de negócio, crenças, intenções, dentre outros. Pesquisas na
literatura apontam a falta de abordagens para tornar esse tipo de processo explícito e
estratégias para lidar com informações necessárias para sua compreensão e apoio [Di
Ciccio 2015] [Hull 2016].
Para resolver problemas de modelagem em PiC, França et al. (2014) propuseram
uma ontologia chamada KiPO (Knowledge-intensive Process Ontology). A KiPO é
modularizada em sub-ontologias que representam as cinco perspectivas que são cruciais
para um completo entendimento e representação de um PiC: Processos de Negócio,
Regras de Negócio, Tomadas de Decisão, Colaboração, e o núcleo cognitivo do PiC.
Esta ontologia é bem fundamentada na UFO (Unified Foundational Ontology)
[Guizzardi 2005], uma ontologia de fundamentação baseada em teorias filosóficas e
cognitivas. Contudo, França et al. (2014) observaram a dificuldade de distinguir
instâncias e modelos em PiC, gerando impossibilidades para criar modelos fidedignos à
realidade em vários cenários que envolvem conceitos com vários níveis de instanciação.
Ao identificar, por exemplo, agentes de impacto “Professor” e “Aluno” no PiC
“Elaboração de Dissertação de Mestrado” observa-se que, para retratar mais fielmente
as distinções deste universo de discurso, eles precisam ser classificados como tipos de
pessoas refletindo as funções que realizam no modelo. Porém, quando executam alguma
tarefa neste PiC, é necessário rastrear a sua execução individualmente, especificando
quem realizou a devida tarefa. Em um modelo de instanciação de PiC, se as informações
não possuírem seus níveis explícitos, podem ocorrer ambiguidades na interpretação de
elementos a nível de modelo como instância e vice-versa.
Para solucionar o problema de como representar níveis de informação distintos
em modelos conceituais, Carvalho et al (2016) propuseram a Teoria de Múltiplos Níveis
(Multi Level Theory - MLT). A MLT tem como base a relação de instanciação,
caracterizando os conceitos de indivíduos e tipos segundo a Teoria de Tipos [Russel
2006]. A partir disso, a MLT propõe a existência e caracteriza a natureza de níveis de
classificação, definindo precisamente quais relações que podem ocorrer entre elementos
de diferentes níveis de classificação. A teoria de tipos de Russel (2006) esclareceu e
posicionou as definições do padrão Powertype apresentadas por Cardelli (1988) e Odell
(1994), além de definir novas relações estruturais para variantes do padrão Powertype,
enriquecendo a expressividade da modelagem em múltiplos níveis. A MLT foi aplicada
em alguns domínios de forma eficaz; no entanto, no domínio de processos intensivos em
conhecimento sua aplicação ainda apresenta alguns desafios devido a sua alta
complexidade para a modelagem.
O presente trabalho propõe uma sistematização para a aplicação da MLT
[Carvalho et al. 2016} na ontologia KIPO [Franca et al. 2014], para modelagem de
Processos Intensivos em Conhecimento. Esta sistematização apresenta cada etapa para a
modelagem de PiCs em vários níveis de informação, como a criação de novos conceitos
da KiPO com características de tipos (Teoria de Tipos [Russel 2006]), observando o
padrão Powertype ([Cardelli 1988], [Odell 1994]), além de padrões de nomenclatura
dos elementos de PiC que explicitem conceitos da KiPO, na ordem em que se
encontram na MLT. O foco desta proposta é apresentar uma sequência de passos que
auxiliem o modelador no uso da KiPO para criar modelos de PiC com níveis de
informações diversos. A partir destes níveis, é possível distinguir concretamente entre
instâncias e modelos em PiC.
Este artigo está organizado da seguinte forma: a Seção 2 apresenta conceitos
fundamentam toda a proposta do artigo, a Seção 3 descreve a ontologia proposta KiPO-
ML resultante da aplicação da MLT no domínio de PiC, descrevendo sistematicamente
as suas etapas. A Seção 4 ilustra a aplicação da KiPO-ML em alguns cenários de PiC,
cujos resultados são analisados na Seção 5. Finalmente, a Seção 6 conclui o trabalho.
2. Fundamentação Teórica
Esta seção apresenta conceitos necessários à proposta deste artigo, incluindo processos
intensivos em conhecimento, a ontologia KiPO e as estratégias de modelagem em
múltiplos níveis.
2.1. Processo Intensivo em Conhecimento
Um processo de negócio é uma sequência de atividades que visa criar produtos ou
serviços com valor para o cliente [Hagen 2005]. Segundo a OMG (2011), um processo é
definido como uma sequência de ações, conjunto de atividades ou fluxo de sequência,
podendo ser definidos em qualquer nível, realizados por uma ou várias pessoas. Para
melhor entender a classificação dos tipos de processo, Di Ciccio et al. (2015)
evidenciam que, quanto mais conhecimento tácito for requerido para determinar o fluxo
de atividades a ser executado, maior o grau de flexibilidade e imprevisibilidade do
processo e, portanto, menor o seu nível de estruturação. Os autores definem Processo
Intensivo em Conhecimento (PiC) como aquele genuinamente centrado em
conhecimento e dados, que exigem flexibilidade substancial tanto em tempo de projeto
quanto de execução, além de afirmar que são geralmente não estruturados e podem ser
apenas parcialmente mapeados em modelos de processos. Mundbrod e Reichert (2017)
complementam afirmando que PiCs são conduzidos pelo conhecimento dos
trabalhadores que utilizam suas habilidades, experiências e especialidades, sendo
emergentes e imprevisíveis, e seu gerenciamento constitui um grande desafio. Estes
autores também apontaram as características típicas de um PiC: orientado pelo
conhecimento e objetivos; orientado para a colaboração; imprevisível; emergente;
conduzido por eventos e restrições. Exemplos incluem processos de suporte a cliente,
design de novos produtos e serviços, controle de tráfego aéreo, planejamento de
campanhas de marketing, governança de TI e planejamento estratégico.
2.2. KiPO
França et al. (2014) apresentaram uma Ontologia para Processos Intensivos em
Conhecimento (Knowledge-intensive Process Ontology - KiPO) com uma
conceitualização rica semanticamente, e bem fundamentada na UFO (Unified
Foundational Ontology) [Guizzard 2005]. As sub-ontologias que compreendem a KiPO
são: Colaboração (CO), Processo de Negócio (BPO), Decisão (DO), Regras de Negócio
(BRO). O componente central da KiPO é a Ontologia do Núcleo do Processo Intensivo
do conhecimento (KiPCO), que reúne elementos cognitivos que determinam a execução
das atividades de um KiP, e relaciona conceitos das outras subontologias.
2.3. Modelagem em múltiplos níveis
Há vários tipos de modelagem em múltiplos níveis, cujo objetivo é distinguir elementos
concretos e abstratos. Uma destas modelagens é a Materialização [Goldstein et al.
1994], que mostra o relacionamento entre dois tipos de entidades, uma que representa
um objeto conceitual (por exemplo, um modelo de TV) e um que representa o objeto
concreto correspondente ao conceitual (no caso, um aparelho de TV).
Uma das abordagens para modelagem em múltiplos níveis é o Powertype
([Cardelli 1988], [Odell 1994]). Segundo Odell (1998), um powertype é um tipo de
objeto cujas instâncias são subtipos de outro tipo de objeto. O tipo de nível inferior é
denominado tipo base. Odell (1994) ilustrou o padrão Powertype com um exemplo de
um tipo “Espécie de árvore”, cujas instâncias seriam “Bordo de Açúcar”, “Damasco”,
“Saguaro” (que, por sua vez, são subtipos de árvores). Há outras abordagens para
modelagem em múltiplos níveis com foco na redução de complexidade acidental em
modelos, como a Deep Instantiation [Atkinson 2008], Dual Deep Instantiation
[Neumayr et al. 2014], Melanee [Atkinson et al, 2012], dentre outras, as quais são
também muito úteis para abordar a deficiência dos modelos UML. No entanto, elas não
são aplicáveis a processos não estruturados, que é o caso dos PiC.
Carvalho et al. (2016) apresentaram uma teoria para modelagem em múltiplos
níveis chamada MLT (Multi Level Theory), que distingue tipos (que tem outros tipos
como instâncias) e indivíduos (não podem ser mais instanciados). A noção de ordem de
tipo é usada na MLT. A partir desta teoria, Fonseca et al. (2017) combinaram UFO-A
(Unified Foundational Ontology) [Guizzardi 2005] com MLT [Carvalho et al. 2016],
sendo aplicados em qualquer domínio. Para uma melhor aplicação desta combinação em
domínios diversos, Fonseca et al. (2017) estabeleceram uma hierarquia de modelos,
onde os conceitos da UFO-A especializam e instanciam elementos da MLT, respeitando
os axiomas e teoremas da própria teoria. Os elementos do domínio, por sua vez,
especializam e instanciam os elementos desta combinação MLT-UFO, respeitando as
regras de ambos. Muitas destas regras aplicadas nesta combinação também foram
adaptadas para serem usadas nesta pesquisa, pois a KiPO é bem fundamentada na UFO.
3. Proposta inicial da KiPO-ML
Visto o problema de distinção de instância e modelo existentes na modelagem da KiPO,
foi proposta neste trabalho uma sistematização de passos para a aplicação da MLT
[Carvalho et al. 2016] na KiPO para modelagem em níveis de Processos Intensivos em
Conhecimento (sendo este um dos domínios de grande complexidade de entendimento).
A partir desta sistematização, é possível identificar os níveis de informação em um PiC
(Individual, 1stOT, 2ndOT). Esta sistematização foi construída usando a sub-ontologia
KiPCO (Ontologia Núcleo de Processo Intensivo em Conhecimento), por ser a
perspectiva núcleo da ontologia KiPO [França et al. 2014].
A primeira etapa desta sistematização (descrita na seção 3.1) é a definição de
novos conceitos da KiPCO que possuam características de Powertype ([Cardelli 1988],
[Odell 1994]). Estes novos conceitos devem especializar o construto 1stOT (tipo de
primeira ordem) e instanciar o construto 2ndOT (tipo de segunda ordem) da MLT.
Na segunda etapa (descrita na Seção 3.2) foram elaborados, para cada conceito
da KiPCO, padrões de nomenclatura que servem para rotular os elementos de cada nível
(instâncias, tipos e tipos de tipos) dos cenários de PiC que especializam estes conceitos.
Estes padrões foram criados respeitando os níveis de informação (Individual, 1stOT,
2ndOT), com algumas recomendações para auxiliar o modelador a nomear os elementos
do modelo.
A terceira e última etapa (descrita na Seção 3.3) é a efetiva aplicação da MLT
aos conceitos da KiPCO em um cenário específico de PiC observando os padrões de
nomenclatura ao rotular os novos elementos.
3.1. Modelagem em múltiplos níveis
Na KiPCO, a maioria dos conceitos apresenta características de instâncias de 1stOT.
Porém, quando estes conceitos são aplicados em cenários específicos, encontram-se
elementos de mais alta ordem, como ilustrado na Figura 1.
Figura 1. Inexistência de conceitos de mais alta ordem na KiPO.
Uma vez que a KiPCO não possui critérios de classificação com taxonomia própria que
representem conceitos de níveis de mais alta ordem (tipos), foram identificados quais
conceitos demandavam a existência de um tipo que o caracterize. Para estes conceitos,
foram elaborados novos conceitos, com propriedades mais gerais, de mais alta ordem
para categorizá-los. Foi então aplicada a Teoria de Tipos [Russel 2006], atribuindo o
termo Type a conceitos que possuíam operações e termos restritos a este tipo, como
ilustrado nos diagramas a seguir1:
Agent. O conceito KiPCO::Agent corresponde aos agentes que são participantes do
processo. Estes possuem duas categorias: os remetentes/destinatários de mensagens e os
que efetivamente contribuem de alguma forma para a execução de atividades (sendo
diretamente responsáveis pela sua execução ou indiretamente influenciando a escolha
dos executores). Para estes dois tipos de agentes, foram construídas as especializações
KiPCO::AgentCommunicationType e KiPCO::AgentContributionType. O conceito
KiPCO::AgentCommunicationType possui como instâncias as especializações de
CO::COM::Sender e CO::COM:Receiver, denotando agentes capazes de emitir e
receber mensagens dentro de uma interação comunicativa realizada durante a execução
do processo. Já o conceito KiPCO::AgentContributionType possui como instâncias
especializações do conceito de agente que diretamente executam atividades
(KiPCO::ImpactAgent), que contribuem indiretamente com inovações
(KiPCO::InnovationAgent), além dos que, mesmo não cientes dos objetivos do PiC em
questão, contribuem em socializações onde ocorrem tomadas de decisão
(KiPCO::ExternalAgent) (por exemplo, o autor de um artigo científico que, ao ser lido
pelo KiPCO::ImpactAgent, influencia sua decisão de quais atividades vai executar).
Activity. Na KiPCO encontra-se o conceito BPO::Activity com a especialização
KiPCO::KnowledgeIntensiveActivity. Este conceito representa atividades que visam
alcançar um objetivo e é executada por um agente que possui intenção a ser atingida.
Para este conceito foi criado o tipo KiPCO::ActivityType, o qual representa as
atividades que possuem características mais gerais e que caracteriza os elementos que
especializam o conceito KiPCO::KnowledgeIntensiveActivity.
Mental Moment. Os Mental Moments (modos mentais) são modos que dependem dos
agentes para existirem. Para caracterizar estes modos mentais, foi construído o conceito
KiPCO::MentalMomentType, o qual possui como instâncias tipos de modos mentais
que podem explicar o comportamento e sentimentos dos agentes em relação às
atividades que executam no processo, como: Belief, Desire, Intention e Feeling.
KnowledgeStructure e BusinessRule. A estrutura de conhecimento
(KiPCO::KnowledgeStructure) pode ser de três tipos: imagem mental
(KiPCO::MentalImage), assertiva (KiPCO::Assertion) e objeto de dados
(BPO::DataObject). Para caracterizar estes conceitos foi necessário criar o conceito
KiPCO::KnowledgeStructureType, sendo este com características mais gerais
abrangentes. Da mesma forma acontece com regras de negócio (KiPCO::BusinessRule),
que é uma declaração que define e restringe algum aspecto de uma organização,
estrutura de um negócio ou controlar e influenciar o comportamento deste. Os tipos de
regra encontrados na KiPCO são: regras de reação (KiPCO::ReactionRule), regras de
derivação (KiPCO::DerivationRule), regras de integridade (KiPCO::IntegrityRule). Para
caracterizar estas regras, foi criado o conceito KiPCO::BusinessRuleType. Este conceito
possui regras com características mais gerais e que caracterizem outras regras. Além
disso, este conceito é uma especialização KiPCO::KnowledgeStructureType.
1
Nos diagramas, conceitos em amarelo e em laranja representam respectivamente Powertypes e
Individuals no domínio genérico de PiCs e, portanto passam a integrar a KiPCO
3.2. Padrões de Nomenclatura para modelagem de PiC
Após a elaboração dos conceitos de mais alta ordem, foram elaborados padrões de
nomenclatura para a construção de rótulos (/label/) dos elementos do domínio de PiC,
com o intuito de alinhar semanticamente com os conceitos da KiPCO, na sua devida
ordem na MLT. De fato, vários trabalhos na literatura [Mendling 2010] reforçam a
importância dos rótulos dos elementos em um modelo conceitual para a sua
legibilidade, o seu entendimento e sua correta interpretação.
Para endereçar este problema, foi realizado um estudo na literatura sobre
padrões de nomenclatura, com o objetivo de criar um padrão para nomear os elementos
de PiC. Este estudo foi aplicado nos elementos da KiPCO, uma vez que ela trata
especificamente dos elementos cognitivos de PiC, sendo a ontologia núcleo da KiPO.
Para cada conceito da KiPCO, foi feita uma pesquisa sobre teorias linguísticas,
semânticas e sintáticas ou a existência de padrões de especificação textual, com o
objetivo de identificar qual a melhor forma de descrevê-lo, como por exemplo o
conceito KiPCO::ActivityGoal que foi baseado nos estudos de Teo e Low (2016), na
Teoria de Metas de Locke e Latham (1990) e no trabalho de Hallahan (2015) sobre
estruturas linguísticas para a descrição de objetivos. Todos os conceitos da KiPCO
foram analisados de forma muito criteriosa, de forma a evitar que os padrões de
nomenclatura causassem quaisquer dificuldades na compreensão do modelo. A Tabela 1
ilustra padrões de nomenclatura propostos para alguns dos conceitos da KiPO2.
Tabela 1 – Padrões de Nomenclatura para alguns conceitos da KiPO
Conceito Nível Padrão de Nomenclatura Exemplo
KIPCO::AgentType Modelo Employee
(instância de 2ndOT) Recomendações: Este elemento deve
categorizar a(s) instância(s) de 1stOT
que especializam os conceitos
KIPCO::ImpactAgent,
KIPCO::InnovationAgent,
KIPCO::ExternalAgent, COM::Sender,
COM::Receiver
KIPCO::Agent Modelo Professor, Secretary
(Instância de 1stOT)
KIPCO::Agent Instância José
(Instância de Individual)
3.3. Extensão da KiPCO através da MLT
Após a criação da taxonomia dos tipos (“Type”) e dos padrões de nomenclatura para
cada conceito da KiPO, foi possível a aplicação da teoria MLT [Carvalho et al. 2016} à
KiPO em cenários específicos de processos intensivos em conhecimento. Para a
elaboração da estrutura do modelo conceitual nesta aplicação, a proposta KiPO-ML se
baseou na aplicação da MLT feita por Fonseca et al. (2017). Este trabalho criou uma
hierarquia de camadas, seguindo a seguinte ordem: UFO especializando e instanciando
as constantes da MLT, e domínio especializando e instanciando os conceitos da UFO,
respeitando o padrão UFO e os axiomas e teorema da MLT.
2
A especificação completa dos padrões de nomenclatura encontra-se em
https://github.com/tatianabarboza/kipalloy.
Baseado no trabalho de Fonseca, a aplicação da MLT à KiPCO também se inicia
com a camada da MLT sendo colocada no topo. Depois desta camada, os conceitos da
KiPCO são especializados e/ou instanciados nas constantes da MLT, respeitando os
axiomas e teoremas. Estas relações foram criadas respeitando os seguintes critérios:
todos os conceitos da KiPO que pertencem a taxonomia de tipos instanciam "2ndOT" e
especializam “1stOT”; já os que não pertencem a esta taxonomia, instanciam "1stOT" e
especializam "2ndOT". Os conceitos da KiPCO possuem os estereótipos dos conceitos
da UFO para indicar qual está sendo especializado. Os padrões de nomenclatura para a
elaboração dos rótulos de cada elemento do domínio também fazem parte desta
aplicação, como apresentado na Figura 2.
Figura 2. Exemplo da combinação de MLT, KiPCO e cenário PiC (com
representação de instâncias e modelos).
4. Exemplo de uso
Esta seção exemplifica o uso da KiPO-ML em um cenário específico. O objetivo é
verificar se a dificuldade de distinguir instâncias e modelos neste cenário foi
solucionada com a proposta KiPO-ML. O cenário escolhido para aplicar a proposta é
“Gerenciamento de Dados” de uma empresa de desenvolvimento de software. Este
processo não é estruturado, altamente dependente das experiências de seus executores,
guiados por regras relativas à organização e exigem um alto grau de colaboração e
interação entre os participantes para atingir seus objetivos. O modelo elaborado
utilizando a proposta será comparado com os modelos criados pelo Analista 3 em
[França et al. 2014], pois foi quem utilizou os conceitos da KiPO com menos
dificuldade. Na seção 4.1 será apresentado o cenário modelado em [França et al 2014],
já na seção 4.2 será apresentado o modelo criado para o mesmo cenário, utilizando a
proposta KiPO-ML.4.1. Modelagem do PiC "Gerenciamento de Dados".
Nesta seção, foi selecionado um fragmento do modelo elaborado pelo Analista 3
em [Franca et al. 2014] do cenário Gerenciamento de Dados. Neste modelo, existem 7
conceitos da KipCO: intenção (KiPCO::Intention), agente (KiPCO::Agent), agente de
impacto (KiPCO::ImpactAgent), experiência (KiPCO::Experience), especialidade
(KiPCO::Specialty), objetivo da atividade (KiPCO::ActivityGoal) e atividade intensiva
em conhecimento (KiPCO::KnowledgeIntensiveActivity). Para cada um deles foram
especializados elementos referentes ao cenário “Gerenciamento de Dados”. Os agentes
de impacto são pessoas que possuem papéis de gerentes de projeto e gerente de dados.
Estes gerentes executam as seguintes atividades intensivas em conhecimento: modelar
documentos e negociar integrações (todos baseados em dados do modelo do sistema).
Os objetivos são mapear modelo de informação e mapear modelo integrado de dados
corporativos. Estes estão associados às respectivas atividades citadas anteriormente,
além de estarem relacionados com as seguintes intenções: obter indicados de
modelagem e manter a integridade dos dados, respectivamente (Figura 3).
Figura 3. Fragmento do cenário modelado por Analista 3 [França et al. 2014].
4.2. Modelagem do PiC "Gerenciamento de Dados"
Para aplicação da KiPO-ML, o modelo apresentado na Figura 3 for remodelado,
observando as regras da proposta. Foi identificado o elemento “Tipo de Gerente”, que
especializa o conceito KiPCO::AgentContributionType e é powertype de “Gerente”. As
instâncias de “Tipo de Gerente” são “Gerente de Projeto” e “Gerente de Dados”. Outro
tipo identificado foi o elemento “Gerenciar sistema”, que especializa
KiPCO::ActivityType. Este elemento categoriza o elemento “Modelar sistema” e possui
as instâncias “Modelar documento” e “Negociar integração” (ambas especializações de
KiPCO::KnowledgeIntensiveActivity).
Foram elaboradas instâncias a nível de Individual para representar elementos
desta modelagem. Nesta aplicação, os rótulos seguiram os padrões de nomenclatura
descritos na Seção 3.2, tanto a nível de modelo quanto a instância.
Para melhorar a legibilidade do modelo gerado, os elementos foram dispostos no
diagrama respeitando a hierarquia da KiPO-ML, da seguinte forma: no topo (1a camada)
foram dispostas as constantes da MLT (2ndOT, 1stOT e Individual). Logo abaixo (2a
camada), foram dispostos os conceitos da KiPO (estereotipados segundo a UFO),
especializando e instanciando as constantes da MLT e respeitando os teoremas e
axiomas. Por último (3a camada) são dispostos os elementos do cenário de PiC
específico, que englobam os tipos de tipos, os tipos (modelos) e as instâncias,
respeitando os padrões configurados na KiPCO (Figura 4).
Figura 4. Aplicação da KiPO-ML no cenário “Gerenciamento de Dados”.
5. Análise de Resultados
Para avaliar a proposta KiPO-ML, foi desenvolvida a ferramenta KiPAlloy3, uma
extensão do Alloy Analyzer customizada para analisar e validar modelos de PiC
segundo a KiPO-ML. Esta ferramenta também tem a capacidade de validar o uso de
padrões de nomenclatura especificados previamente.
Inicialmente, ao incluir os rótulos dos elementos do modelo da figura 3, a
ferramenta identificou não conformidades com relação ao padrão de nomenclatura e
apresentou sugestões de novos rótulos. Por exemplo, ao incluir o elemento “Dados do
modelo do sistema” (o qual especializa o conceito
KiPCO::KnowledgeIntensiveActivity), a ferramenta sugeriu adicionar um verbo de
ação no início da sentença e em sequência, o objeto da atividade. Já no modelo da figura
4, os rótulos (tanto a nível de instância quanto de modelo) se encontravam em
conformidade com o padrão.
Após a inclusão dos elementos dos modelos das figuras 3 e 4, foram gerados
arquivos convertidos para o Alloy dos respectivos modelos e testados no Alloy
Analyzer. Ao validar o arquivo do modelo da figura 3, a ferramenta apresentou todos os
elementos com um único nível, sem quaisquer instâncias (objetos), impossibilitando a
criação de asserção para testá-lo, mesmo ele sendo considerado um modelo instanciado
do PiC. Isto aconteceu porque o modelador não conseguiu classificar os elementos do
domínio e assim, identificar o nível da informação. Com relação ao modelo da figura 4,
foram geradas assinaturas das constantes da MLT, conceitos da KiPCO. Os elementos
do domínio que foram identificados como instâncias de segunda e primeira ordem, se
transformaram em assinaturas. Já os elementos identificados como instâncias de
Individual, foram incluídas em uma asserção, associados aos elementos de domínio
instância de primeira ordem. Desta forma, o Alloy Analyzer analisou e apresentou todos
os níveis de informação, como segue a Figura 5.
3
A ferramenta KiPAlloy está disponível em https://github.com/tatianabarboza/kipalloy.
Figura 5. Fragmento do diagrama gerado pelo Alloy Analyzer a partir do
arquivo gerado do KiPAlloy.
6. Conclusão
Este trabalho apresentou uma proposta para o problema de distinção de instâncias e
modelos em processos intensivos em conhecimento. Foram observados indícios de que
a sistematização para a aplicação da MLT em processos intensivos em conhecimento e a
proposta da ontologia KiPO-ML facilitou a identificação e tornou explícitos os vários
níveis de informação em modelos deste domínio.
Foi desenvolvida a ferramenta KiPAlloy, que automaticamente (i) verifica a
qualidade sintática de modelos de KiP (de acordo com os padrões de nomenclatura
propostos) e (ii) converte regras KiPO para linguagem Alloy. Nesta ferramenta, após a
inclusão dos elementos do domínio associados aos conceitos da KiPO, é gerado um
arquivo com toda esta inclusão convertida em linguagem Alloy, sendo transferido à
ferramenta Alloy Analyzer para checagem do modelo.
Como trabalhos futuros serão elaboradas regras para as outras perspectivas da
KiPO. Adicionalmente, pretende-se realizar uma extensão da aplicação KiPAlloy, onde
os modelos poderão ser apresentados usando a notação KiPN [Netto et al. 2013] e
UML.
References
Atkinson,C.; Kühne, T.: Meta-level Independent Modelling. Proceedings of the
International Workshop on Model Engineering at the 14th European Conference on
Object-Oriented Programming 2002. Sophia Antipolis and Cannes, France (2000).
Atkinson, C.: Meta-modeling for distributed object environments. Proceedings of the
1st International Conference on Enterprise Distributed Object Computing (EDOC),
Washington, USA, pp. 90–101 (2012).
Cardelli, L.: Structural subtyping and the notion of power type. Proceedings of the 15th
ACM SIGPLAN/SIGACT symposium on Principles of programming languages
POPL 88, pp. 70–79 (1988).
Carvalho, V. A.; Almeida, J. P. A.: Towards a well-founded theory for multilevel
conceptual modeling. Software & Systems Modeling, Springer (2016).
Di Ciccio, C.; Marrella, A.; Russo. A. Knowledge-intensive processes: characteristics,
requirements and analysis of contemporary approaches. J on Data Semantics 4(1),
pp. 29-57 (2015).
França, J.B.S., Netto, J.M, Carvalho, J.E.S., Santoro, F.M., Baião, F.A., Pimentel, M.:
KiPO: the knowledge-intensive process ontology. Software & Systems Modeling,
Springer, DOI 10.1007/s10270-014-0397-1 (2014).
Fonseca, C.M.; Carvalho, V.A., Almeida, J.P.A.; Guizzard, G.: MultiLevel Ontology
based Conceptual Modeling (2017).
Guizzardi, G.: Ontological Foundations for Structural Conceptual Models. In: Universal
Press, TheNetherlands. ISBN90-75176-81-3 (2005).
Guizzard G., Pires, L.F., van Sinderem M.:An Ontology-Based Approach for
Evaluating the Domain Appropriateness and Comprehensibility Appropriateness of
Modeling Languages. In: Briand L., Williams C. (eds) Model Driven Engineering
Languages and Systems. MODELS 2005. Lecture Notes in Computer Science, vol
3713. Springer, Berlin, Heidelberg (2005).
Hagen, R.C.; Ratz, D.; Povalej, R.: Towards self-organizing knowledge intensive
processes. In: Journal of Universal Knowledge Management 2, pp. 148-169 (2005).
Hallahan, K.: Organizational goals and communication objectives in strategic
communication. The Routledge Handbook of Strategic Communication (2015).
Hull, R; Motahari-Nezhad, H.: Rethinking BPM in a Cognitive World: Transforming
How We Learn and Perform Business Processes. BPM 2016, pp. 3-19 (2016).
Locke, E. A.; Latham, G. P.: A theory of goal-setting and task performance. Englewood
Cliffs, NJ: Prentice Hall. (1990).
Mendling, J.; Reijers, H.A.; van der Aalst, WMP: Seven process modeling guidelines
(7PMG). Information and Software Technology 52 (2), pp. 127-136 (2010).
Mundbrod, N.; Reichert, M.: Flexible Task Management Support for Knowledge-
Intensive Processes. 21st International Conference on Enterprise Distributed Object
Computing Conference (EDOC) (2017).
Odell, J.: Power types. Journal of Object Oriented Programing 7(2), pp. 812. (1994).
Odell, J.: Advanced object-oriented analysis and design using UML (Vol. 12).
Cambridge University Press (1998).
OMG: Business Process Modeling and Notation (BPMN). Version 2.0. Disponível em:
http://www.bpmn.org/. Acesso em 14-03-2018 (2011).
Russel, B.: Type Theory. Stanford Encyclopedia of Philosophy. Disponível em:
https://plato.stanford.edu/entries/type-theory/. Acesso em 14-03-2018. (2006).
Song, M.; Chambers, T.: Text mining with the Stanford CoreNLP. Measuring scholarly
impact, Springer (2014).
Teo, T.C.; Low, K.C.P.: The Impact of Goal Setting on Employee Effectiveness to
Improve Organisation Effectiveness: Empirical study of a High-Tech Company in
Singapore. Journal of Business & Economic Policy 3 (1) (2016).