Zināšanu inženierija ir mākslīgā intelekta (AI) lauks, kas rada noteikumus, kas jāpiemēro datiem, lai atdarinātu cilvēku eksperta domas procesu. Tajā apskatīta uzdevuma vai lēmuma struktūra, lai noteiktu, kā tiek izdarīts secinājums. Pēc tam var izveidot problēmu risināšanas metožu bibliotēku un katrai no tām izmantoto papildinformāciju, un tā var kalpot kā sistēmas diagnosticētās problēmas. Iegūtā programmatūra pēc tam varētu palīdzēt diagnosticēt, novērst problēmas un risināt problēmas atsevišķi vai kā cilvēka aģenta atbalsta lomu.
Zināšanu inženierijas sadalīšana
Zināšanu inženierija centās pārnest problēmu risināšanas ekspertu zināšanas uz programmu, kurā varētu izmantot tos pašus datus un nonākt pie tā paša secinājuma. Šī pieeja tiek dēvēta par nodošanas procesu, un tā dominēja agrīnos zināšanu inženierijas mēģinājumos. Tas izkrita no labvēlības; tomēr, tā kā zinātnieki un programmētāji saprata, ka zināšanas, kuras cilvēki izmanto lēmumu pieņemšanā, ne vienmēr ir skaidras. Kaut arī daudzus lēmumus var izsekot līdzšinējai pieredzei par to, kas darbojās, cilvēki izmanto paralēlus zināšanu kopumus, kas ne vienmēr šķiet loģiski saistīti ar konkrēto uzdevumu. Daži no tā, ko vadītāji un zvaigžņu investori dēvē par zarnu sajūtu vai intuitīvu lēcienu, ir labāk raksturojami kā analoga argumentācija un nelineāra domāšana. Šie domāšanas veidi neattiecas uz tiešiem, pakāpeniskiem lēmumu pieņemšanas kokiem, un, iespējams, būs jāiegūst tādi datu avoti, kuru ienākšana un apstrāde, iespējams, ir dārgāka.
Pārsūtīšanas process ir atstāts par labu modelēšanas procesam. Tā vietā, lai mēģinātu sekot pakāpeniskam lēmuma pieņemšanas procesam, zināšanu inženierija ir vērsta uz tādas sistēmas izveidi, kas sasniegs tos pašus rezultātus kā eksperts, neizsekojot tam pašam ceļam vai pieskaroties tiem pašiem informācijas avotiem. Tas novērš dažus jautājumus par to zināšanu izsekošanu, kuras tiek izmantotas nelineārai domāšanai, jo cilvēki, kas to dara, bieži nezina informāciju, kuru viņi velk. Kamēr secinājumi ir salīdzināmi, modelis darbojas. Kad modelis vienmēr ir pietuvojies cilvēku ekspertam, to var pilnveidot. Neveiksmīgus secinājumus var izsekot un atkļūdot, un var veicināt procesus, kas rada līdzvērtīgus vai uzlabotus secinājumus.
Zināšanu inženierija, lai pārsniegtu cilvēku ekspertus
Zināšanu inženierija jau ir integrēta lēmumu atbalsta programmatūrā. Specializētus zināšanu inženierus nodarbina dažādās jomās, kas pilnveido cilvēkiem līdzīgas funkcijas, ieskaitot mašīnu spēju atpazīt seju vai parsēt to, ko cilvēks saka pēc nozīmes. Pieaugot modeļa sarežģītībai, zināšanu inženieri var līdz galam neizprast, kā tiek izdarīti secinājumi. Visbeidzot, zināšanu inženierijas joma pāries no tādu sistēmu izveidošanas, kas risina problēmas, kā arī cilvēku, līdz sistēmai, kas to dara kvantitatīvi labāk nekā cilvēki. Savienojot šos zināšanu inženierijas modeļus ar citām spējām, piemēram, dabiskās valodas apstrādi (NLP) un sejas atpazīšanu, mākslīgais intelekts varētu būt labākais serveris, finanšu konsultants vai ceļojumu aģents, kādu jebkad redzējis.
