METODOLOGIA DI APPROCCIO: Modelli di Conoscenza
La scelta della metodologia dei “Modelli di Conoscenza”, nasce dall’esigenza di controllare e ottimizzare la funzionalità di un processo complesso che, specialmente se presenta una sezione “biologica” e input (carichi) variabili quali-quantitativamente nel tempo, non può essere assimilato ad un processo ciclico ripetitivo.
Pertanto, si sceglie in questi casi di non seguire un tradizionale approccio statistico (v. ANOVA– ANalysis Of VAriance), in quanto basato essenzialmente su dati storici e in genere molto costoso, preferendo un approccio più vicino agli esperti di processo, basato sulla “fusione” interdisciplinare tra dati rilevati e conoscenza degli esperti: i Modelli di Conoscenza.
Principi Base del Metodo basato sui Modelli di Conoscenza
a) Approccio Sistemico: realtà suddivisa in processi unitari (input/output), interagenti tra loro
b) Significatività e Rappresentatività delle Misure: è molto importante assicurarsi che i campioni oggetti di indagine siano realmente rappresentativi della realtà operativa o di classi di esse; pertanto le prove vanno eseguite definendo i parametri di caratterizzazione, come ad es.: Valore X = ¦[Xmin, Xmax, Xmed, X+freq, durata(X+freq)]
c) Modellazione delle Inferenze Input/Output: algoritmi di correlazione sistemica.
| CONFRONTO METODOLOGIE |
PRO |
CONTRO |
|
Modelli Statistici
|
- Forniscono una analisi più oggettiva rispetto ai dati acquisiti (storici).
- Metodologia più conosciuta.
|
- Elaborano dati storici e quindi sono poco generalizzabili: interpretazione dei dati al passato.
- Più costosi perché necessitano di numerose prove per realizzare un campione statistico rappresentativo
- Risolvono gli errori e le discrepanze come Varianza Statistica e sulla base di Test Multifattoriali di Significatività (ANOVA – Analysis of Variance) non sempre generalizzabili.
- Risultati in Output in genere non generalizzabili e non migliorabili incrementalmente, se non a costo di ripetere l’intera analisi.
|
| Modelli di Conoscenza |
- Interpretazione dei dati rispetto all’attualità operativa, perché si basano su dati il cui valore è quello derivante dall’esperienza operativa aggiornata come “media ragionata” (valore più frequente e plausibile).
- Meno costosi perché basati su un numero di prove minimo necessario a definire le classi operative di funzionamento.- Risolvono gli errori e le discrepanze attraverso la Cross-Correlation delle informazioni assunte e sulla base della propagazione della certezza.
- Risultati in Output generalizzabili (per definizione) e migliorabili incrementalmente.
|
- Forniscono una analisi più influenzabile dalla expertise degli operatori che detengono la conoscenza.
- Metodologia meno conosciuta.
|
Pubblicato da Giovanni Mappa
Giovanni Mappa: esperto di gestione interdisciplinare della conoscenza scientifica e dell'innovazione tecnologica. Ingegnere ricercatore senior e manager dell'innovazione (MISE). Opera nell'ambito dello sviluppo di progetti di R&S e degli investimenti finalizzati all'innovazione e al trasferimento tecnologico per la crescita delle PMI.
Advisor per lo sviluppo di idee innovative di business, sostenibili da incentivi fiscali e finanziari (europei, nazionali, locali).
Mostra tutti gli articoli di Giovanni Mappa
ANOVA 