INTRODUZIONE. Premessa. Obiettivi. «Tutto ciò che è scritto unicamente per far piacere all autore è senza valore.»

Transcript

1 INTRODUZIONE «Tutto ciò che è scritto unicamente per far piacere all autore è senza valore.» Blaise Pascal Premessa Il presente lavoro è finalizzato alla progettazione di un componente software (nella fattispecie, un web service) per il supporto al collegamento tra documenti strutturati e non strutturati. Il fabbisogno informativo reale è il seguente: abbiamo un sistema documentale che tratta documenti amministrativi; vogliamo, ad esempio, associare ad ogni bolla o ad ogni fattura (già inserire nel documentale) le , le lettere, i documenti di bilancio, etc. che fanno riferimento al documento in questione. Obiettivi Lo scopo della tesi è di progettare un sistema configurabile per il collegamento assistito di documenti non strutturati a documenti strutturati in un sistema di gestione documentale. Tale componente deve essere realmente applicabile e di facile utilizzo, grazie all interfaccia web e alla stesura di procedure che guidano l utente passo per passo. La progettazione verrà effettuata a livello generale pensando ad un componente integrabile in diversi sistemi informativi, anche se nello specifico si farà riferimento ad un sistema di gestione documentale. La struttura del servizio dovrà quindi essere flessibile, configurabile ed allo stesso tempo indipendente, al fine di rispondere alle esigenze di ogni singolo tipologia di documento. 11

2 Dovranno comunque di volta in volta essere prese in considerazione le peculiarità del sistema informativo in analisi per permettere un integrazione che allo stesso tempo sia efficace ed efficiente. Organizzazione Nella presente tesi verranno descritte tutte le fasi della progettazione. Nel capitolo 1 verranno esposti gli aspetti relativi alla gestione documentale, al fine di chiarire i concetti di base ed individuare il problema proposto. Nel capitolo 2 verranno esposti i concetti generali relativi al mondo dell Information retrieval, disciplina che è alla base del funzionamento dei motori di ricerca. Nel capitolo 3 verrà analizzata l a struttura dei meta motori di ricerca e come i sistemi di voto vengano in aiuto nella compilazione del risultato finale. Nel capitolo 4 verrà proposta la soluzione del problema attraverso la destrutturazione dei documenti strutturati, con l aiuto dei meta motori di ricerca. Nel capitolo 5 si descriveranno i prodotti e le tecnologie che sono state considerate nella pratica per l analisi in questione. Nel capitolo 6 saranno delineati gli spunti di ricerca futuri emersi dalla trattazione. Infine, verranno riportate alcune note conclusive. 12

3 1 LA GESTIONE DOCUMENTALE «Pensiamo per concetti generali, ma viviamo di particolari.» Alfred North Whitehead 1.1 Definizioni Un documento può essere visto come un informazione organizzata o un oggetto, trattato come unità. Un documento non-strutturato è un documento senza un formato specifico (ad esempio, un file di testo); un documento semi-strutturato è un documento diviso in sezioni o paragrafi (ad esempio, un testo formattato o una pagina web). I meta data (meta informazioni) sono informazioni strutturate che descrivono singoli oggetti per fornire conoscenze aggiuntive per trovare, gestire, controllare, capire o preservare tali oggetti. Un linguaggio di annotazione (linguaggio di markup) è un sistema formale per scambiare o pubblicare informazioni in modo strutturato. XML è un linguaggio di annotazione che fornisce un formato per la descrizione di dati strutturati, che consente di dichiarare con maggior precisione il contenuto dei dati e di ottenere risultati più significativ i nelle ricerche eseguite su diverse piattaforme (definisce in modo non ambiguo la struttura dei dati contenuti nel documento). Un documento strutturato è un documento che al suo interno contiene un linguaggio di annotazione che definisca le informazioni di base relative al documento stesso (es. l autore di un documento, il cliente a cui fa riferimento una fattura, il mittente di un messaggio di posta elettronica). La strutturazione dei documenti è un aspetto importante dato che permette di elaborare i docu menti in modo automatico (archiviazione) e renderli facilmente recuperabili ed interpretabili. 13

4 Una classe di documento (document class) è la definizione delle meta informazioni che sono contenute in un documento strutturato (es. articolo, fattura, messaggio di posta elettronica). In linguaggio XML, un documento strutturato è un istanza di documento mentre una classe di documento è quell insieme di regole che l istanza di documento deve rispettare. La gestione dei documenti (document management) è il processo di acquisizione, condivisione, tracciamento, revisione e distribuzione di documenti e delle informazioni in essi contenute. Un sistema di gestione documentale (document management system DMS) è un sistema automatico di supporto alla creazione, utilizzo e manutenzione per la creazione di documenti (non dati). Un records management system (RMS) è un sistema per l identificazione, la classificazione, l archiviazione e, a volte, la cancellazione di record (rappresentati da singoli documenti). Un sistema di gestione documentale elettronica (EDMS) è un sistema completo software e hardware per la gestione documentale; include servizi di indicizzazione e ricerca dei documenti, acquisizione, OCR, mass storage, gestione del worflow e della condivisione/collaborazione. Un electronic records management system (ERMS) è un sistema automatico per gestire la creazione, l utilizzo, la manutenzione e la distribuzione di record elettronici; questi sistemi mantengono delle informazioni contestuali appropriate (metadata) e co llegamenti tra record al fine di evidenziare il loro contenuto. 1.2 Il problema: la strutturazione di documenti non strutturati La maggior parte delle informazioni aziendali (circa l 80%) è composta da documenti non strutturati, mentre gli attuali sistemi di gestione documentali non sono in grado di gestire tali documenti senza un consistente intervento umano. Fino a poco tempo fa l unico modo che si aveva per gestire un documento di questo tipo era la sua lettura 14

5 da un operatore e la successiva indicizzazione manuale all interno di un EDMS. [Mur03] Recentemente sono nati sistemi di auto classificazione e di auto estrazione che riescono ad estrarre da documenti elettronici non strutturati o da documenti cartacei strutturati (attraverso un sistema di OCR) le informazioni necessarie per una loro indicizzazione automatica o un loro inserimento in un sistema di gestione documentale. Il problema della strutturazione di documenti non strutturati rimane comunque uno dei punti chiave della ricerca in campo documentale, data la mole di informazioni che deve essere gestita ogni giorno dalle aziende e dalla necessità di trasformare ogni singolo documento in una componente del proprio patrimonio informativo. 1.3 Il vantaggio nell utilizzare documenti strutturati L utilizzo di strumenti per la strutturazione dei documenti è la via più efficace ed economica per gestire le informazioni. La strutturazione delle informazioni è un processo naturale della mente umana spesso sottovalutato o considerato implicito, ma l umanità ha sempre considerato questo processo come fondamentale nella stesura di documenti (basti pensare all utilizzo di sommari, indici, divisione in capitoli/paragrafi). [MR96] La strutturazione dei documenti permette di: elaborare i documenti in maniera automatica in pro cessi di archiviazione o di estrazione dati; effettuare ricerche efficaci in una base documentale; rendere il contenuto del documento facilmente recuperabile ed interpretabile; identificare, elaborare ed estrarre qualsiasi parte di documento. L archiviazione di tali documenti risulterà tanto dettagliata quanto la finezza della granularità della classe di documento, superando così gli inconvenienti dell archiviazione dei documenti come file interi. Generalmente un documento strutturato viene quind i visto come un 15

6 insieme ordinato di nodi etichettati, organizzato gerarchicamente con una struttura ad albero, permettendo un ulteriore gestione della struttura gerarchica che a sua volta avvia una catena di elaborazione automatica del documento (es. sistemi di gestione automatica del workflow in cui ogni processo aziendale viene accompagnato dalla relativa documentazione che passa di elaborazione in elaborazione). [GalCap03] 1.4 Il ciclo di vita di un documento: workflow documentale Parlando del ciclo di vita di un documento occorre considerare il lavoro dei sistemi di gestione documentale, il cui compito è proprio di seguire potenzialmente tutto il ciclo di vita di un documento, dalla sua creazione in poi, gestendo aspetti che spaziano dalla memorizzazione alla ricerca, dalla condivisione fra i dipendenti alla pubblicazione su Internet (tra le funzioni critiche anche la definizione dei diritti di accesso ai documenti e la forma in cui essi possono essere visualizzati o stampati). Tali sistemi possono anche interfacciarsi con i sistemi di workflow, un aspetto particolarmente utile quando i documenti sono parte di un processo ben definito (per esempio l approvazione di acquisti) che vede coinvolte più figure aziendali. Analizziamo ora il processo di creazione e gestione di un documento condiviso. La prima azione è l a creazione del documento (anche dett a checkin): questa non si esaurisce con la sola scrittura del documento, ma è necessaria la sua archiviazione tenendo conto delle meta informazion i ad esso associate che rappresentano il documento (quasi) a prescindere dal proprio contenuto (es. autore, data di creazione, progetto di riferimento). Tali informazioni sono essenziali nella logica organizzativa della gestione di un documento strutturato. È comunque difficile creare elementi di catalogazione oggettivi per chi deve progettare tutte le categorie in cui devono essere organizzati i documenti: un documento può appartenere a più categorie, 16

7 oppure l utente che deve scegliere dove classificare il proprio documento (alcuni sistemi utilizzano allora sistemi automatici di categorizzazione semantica che si basano sul algoritmi di text mining). Per quanto riguarda l archiviazione del documento, il sistema deve conservare non solo il documento fisico, m a anche l insieme dei metadati a esso associati. Normalmente si parla di repository, anche se in realtà l archiviazione fisica del documento è effettuata in un file system e quella dei metadati in un database relazionale. Si crea successivamente una serie di collegamenti fra i due archivi tenendo presente che l utente, per accedere a un file (sul file system), deve passare dal database che conserva i metadati collegati a quel file. L architettura quindi normalmente è a tre livelli: il client (ultimamente un browser), il server di gestione e i due elementi di archiviazione (repository). A questo punto il documento inizia a viaggiare logicamente nell azienda e viene utilizzato per acquisire conoscenza e per prendere decisioni. Si parla quindi di workflow documentale definendolo come un modello "a tre R": routes (processi: la sequenza di passi), rules (azioni: ciò che va fatto) e roles (persone: chi lo deve fare). Il workflow documentale, che va ben distinto dal workflow di processo, assume diversi aspetti a seconda del tipo di processo: sequenziale, condizionale, "time driven" (scandito dal tempo) o parallelo. [NW00] In questo trattato non analizzeremo gli aspetti propri di una gestione di workflow non essendo oggetto del lavoro di tesi, ma questa breve analisi è importante per capire l effettiva importanza della meta informazioni associate ad un documento. 17