Инженерия знаний. Инженерия знаний и получение знаний

Инженерия знаний (ИЗ) была определена Фейгенбаумом и МакКордак в 1983 году как:

«ИЗ - раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований - понимание, как работает человеческая логика на примере взаимоотношений в обществе.

Примеры

Пример действия системы, базирующейся на ИЗ:

  • Рассмотрение задачи
  • Запрос к базам данных по задаче
  • Внесение и структурирование полученной информации (IPK модель)
  • Создание базы данных по структурированной информации
  • Тестирование полученной информации
  • Внесение корректировок и доработка системы.

ИЗ имеет практическое применение. В США до 90 % кредитных решений по клиентам розничного банковского бизнеса принимается с использованием экспертных систем на основе баз знаний FICO . Подразделом ИЗ является метаинженерия знаний, пригодная для разработки ИИ.

Принципы

С середины 1980-х в ИЗ появилось несколько принципов, методов и инструментов, которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них:

В инженерии знаний используются методы структурирования знаний для убыстрения процесса получения и работы со знаниями.

Инженерия знаний представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Знания – это информация с ограниченной семантикой, однако с позиции прикладных аспектов необходимо, чтобы знания имели такую форму, которой была бы в определенной степени свойственна свобода достижения поставленной цели. В какой именно степени допустима эта свобода, или каким условиям должны отвечать знания, включая и их описательные возможности, зависит от области их приложения. В сфере технического применения и в экономике используется самая разнообразная среда представления, и помимо языкового описания она включает рисунки, математические формулы и т.п.

Хотя языковое представление и ограничено сравнительно простыми формализмами, оно не всегда удобно для технической и экономической областей. Это связано с их специфическим характером, т.к. в них все определяется фактами и объективной реальностью.

В дальнейшем изложении языковое описание, требуемое в прикладных областях информации (включая язык в широком его понимании и графику), будет называться языком представления знаний. Для использования подобной информации в виде знаний требуются интеллектуальные функции, превосходящие пока возможности современных компьютеров. Представление знаний, их обработка и использование, рассматриваемое применительно к конкретной прикладной области, является предметом инженерии знаний.

Инженерия знаний заняла свое место как технология применения знаний, когда вышла из недр ИИ и продолжала интенсивно развиваться все последние года.

Исследования по ИИ позволили утвердиться во мнении, что подлинно необходимыми для решения проблем являются знания экспертов. То есть, если создать систему, способную запоминать и использовать знания экспертов, то она найдет применение в практической деятельности.

И когда исследователи по ИИ действительно создали подобного ряда системы в конце 60-х и начале 70-х годов прошлого века, все эти воззрения были подтверждены.

Это системы DENDRAL, а позднее MYCIN, созданные под руководством Э. Фейгунбаума в Стэнфордском университете США, Поскольку эти системы накапливают в памяти компьютера знания экспертов и используют эти знания для решения проблем, извлекая их при необходимости из памяти, то они получили название экспертных, а профессор Э. Фейгенбаум, являющийся одним из создателей экспертных систем (ЭС), выдвинул для данной области техники название «инженерия знаний».

Фактически инженерия знаний – это методология ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов. Развитие ЭС создало инженерию знаний – процесс построения интеллектуальных систем.

Инженерия знаний тесно связана со всем процессом разработки интеллектуальных информационных систем в целом и ЭС в частности – от возникновения замысла до его реализации и совершенствования.

Главными элементами инженерии знаний являются использование операций типа обобщение, генерация гипотез для индуктивных выводов, подготовка новых программ самими компьютерными программами и т.д.

Слово engineering в английском означает искусная обработка предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком, либо компьютером (программой), также можно назвать инженерией знаний.

1.2. Развитие исследований в области искусственного интеллекта.

Искусственный интеллект как наука был основан тремя поколениями исследователей.

В таблице 9.1 представлены ключевые события в истории ИИ и инженерии знаний, начиная с первой работы Маккалока и Питса в 1943 г. и до современных тенденций в комбинированных усилиях экспертных систем, нечеткой логики и нейронных вычислений в современных системах, основанных на знаниях, способных осуществлять вычисления при помощи слов.

Таблица 9.1 - Краткий перечень главных событий в истории ИИ и инженерии знаний.

Таким образом,исторически разработки в области ИИ велись в двух основных направлениях:

Первое направление связано с попытками разработки ин­теллектуальных машин путем моделирования их биологического прототипа - человеческого мозга. Сейчас это направление возрож­дается на основе развития современных аппаратных и программ­ных средств (микрочипы на основе нечеткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).

Второе направление связано с разработками методов, приемов, специализированных устройств и программ для компью­теров, обеспечивающих решение сложных математических и ло­гических задач, позволяющих автоматизировать отдельные ин­теллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ (рис.9.4). Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.

Рис.9.4 - Основные направления исследований в области ИИ.

Для нас представляет интерес прежде всего второе направление: прикладные интеллектуальные системы и ЭС в таких предметных областях, как производство, управление процессами, управление маркетингом, финансовый менеджмент, банковская сфера, фондовый рынок.

1.3. Теория и практика искусственного интеллекта.

В процессе развития устройств и систем, которые проявляют интеллектуальные характеристики, вовлекаются различные науки и технологии, такие как лингвистика, психология, философия, техническое и программное обеспечение компьютеров, механика, гидравлика и оптика.

Пересечение интересов психологии и ИИ сосредоточено в областях когнитологии и психолингвистики. Философия и ИИ сотрудничают в областях логики, философии языка и философии разума. Взаимные пересечения между инженерией и ИИ включают обработку изображений, распознавание образов и роботику.

Позже свой вклад внесли менеджмент и теория организации (такие как принятие и реализация решений), химия, физика, статистика, математика, теория управления, эвристическое программирование, информационные системы менеджмента.

ИИ является наукой и технологией, а не коммерческой сферой. Это совокупность понятий и идей, которые предназначены для исследований. Однако, ИИ обеспечивает научные основы для нескольких развивающихся коммерческих технологий. Главными прикладными технологиями ИИ экспертные системы, интеллектуальные системы поддержки решений, обработка естественного языка, понимание речи, нечеткая логика, робототехника и сенсорные системы, компьютерное зрение и распознавание образов. На рис.9.5 представлены главные дисциплины и приложения ИИ.


Рис.9.5 - Дисциплины, на которых базируется ИИ и его приложения.

Области применения существующих на сегодняшний день систем ИИ охватывает медицинскую диагностику, интерпретацию геологических данных, научные исследования в химии и биологии, военное дело, производство, финансы и другие сферы экономики. Однако, несмотря на значительные успехи в области ИИ, пока еще существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более широко практического применения в частности, в экономике.

Наиболее показательным сектором, аккумулирующим различные проблемные направления экономической области, является управление промышленным предприятием. На его примере особенно хорошо видны преимущества использования систем ИИ для решения как различных предметных задач, так и для управления интегрированной системой предприятия в целом.

Существует множество доводов в пользу того, что системы искусственного интеллекта могут и должны стать важнейшей составной частью в технологии современных производств. Рассмотрим основные из них.

Главная проблема, стоящая перед предприятием (в смысле управления), - это проблема преодоления сложности. Как изве­стно, сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений. Это может быть инженерный выбор решения (как проектировать данное изделие), выбор расписания (как это изделие производить) и т.д.

Данная проблема обостряется в случае гибких производствен­ных систем. Добавление гибкости приводит к увеличению числа альтернатив и, следовательно, возможных вариантов производст­ва изделий. Уже сегодня составление расписания этапов производства изделий на «жестком» программном обеспечении пред­ставляет большие трудности. Усложнение самих изделий также ведет к усложнению проектирования.

Управление производством требует обработки большого объе­ма информации. Проблема получения информации с объектов, функционирующих в реальном масштабе времени, в настоящее время решена. Но это породило другую проблему: как уменьшить долю информации до того уровня, который действительно необ­ходим для принятия решения индивидуумом? В то же время сле­дует отметить, что потеря информации, поступающей от объек­тов, работающих в реальном масштабе времени, может сущест­венно сказаться на конечном результате.

Нехватка времени на принятие решения - еще одна проблема, которая проявляется по мере усложнения производства. Не менее важна и проблема координации. Известно, что проектирование неразрывно связано с производством, распределением и вспомо­гательными областями. Если проектирование не оптимально по отношению к стадиям производства, складирования, распределе­ния или вспомогательному производству, то это может увеличить цену производства и снизить качество изделий.

И, наконец, очень важный фактор - необходимость сохране­ния и распределения знаний отдельных опытных экспертов, по­лученных, ими в процессе многолетней работы и большого практи­ческого опыта. Проблема извлечения знаний и их распределе­ния - сегодня одна из главных проблем производственных ор­ганизаций.

Таким образом, происходит интеллектуализация информационных систем управления и трансформация их в интеллектуальные СПР, основной разновидностью которых являются ЭС. Это наиболее значимые и важные для экономики и бизнеса прикладные технологии ИИ.

1.4. Интеллектуальные информационные системы поддержки решений.

Опыт эксплуатации информационных систем, в организационных и экономических системах показал, что наиболее важное значение должен иметь в этих системах и в контуре управления – человек (управленец; лицо, принимающее решение – ЛПР).

Не следует забывать, что управление в экономических и организационно – технических системах является сложным творческим процессом, нуждающимся в различных формах обеспечения интеллектуальной деятельности. Преуменьшение значения творческого элемента (опыта, интуиции) и, наоборот, преувеличение возможностей формализации ряда управленческих задач, неизбежно ведет к тому, что реальные результаты далеко не полностью оправдывают ожидания, которые связывались и связываются с компьютеризацией управления и принятия решений.

Видимо, здесь кроется причина недостаточно эффективного использования в ИС и системах поддержки решений методов оптимизации. Говоря о взаимодействии пользователя с оптимизационными моделями априорно подразумевают адекватность этих моделей реальному объекту. Однако, сложность, существенная нелинейность, слабая структурированность задач, неясность предпочтений, нечеткость исходной информации не позволяют в большинстве случаев разработчикам создавать адекватные модели объектов. "Ключом" в этом направлении должны стать и уже активно становятся методы и модели ИИ, в частности прикладные, системы, базирующиеся на знаниях (или интеллектуальные системы).

Большинствоимеющихся объектов управления относятся к слабоструктурированным или плохо определяемым объектам, которые обладают рядом неожиданных для традиционного управления свойств, таких, как уникальность, отсутствие формализуемой цели существования, отсутствие оптимальности, высокая динамичность, неполнота описания объекта, и, наконец, индивидуальность поведения лица принимающего решения в процессе принятия решений.

Практика показала, что трудности, практически непреодолимые для "управленца" -компьютера оказываются под силу управленцу-человеку. Квалифицированный эксперт после определенного времени работы по управлению уникальным объектом справляется и с неполнотой описания объекта, и с нечеткостью исходной информации, и с отсутствием формализуемых целей (разумеется, имеется в виду управление основными управляющими параметра мну.

Следовательно, в процессе практической деятельности по управлению объектом ЛПР приобретает некоторый инструмент, который помогает ему в решении задач управления плохо определенными объектами. Этот инструмент есть не что иное, как знание. Таким образом, возникла идея необходимости автоматизации интеллектуальной деятельности человека.

Основное назначение информационных систем в экономике – это своевременное представление необходимой информации ЛПР для принятия им адекватных и эффективных решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно – аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развитие ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.

Информационная система поддержки решений связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений. Эти системы предназначены для менеджеров, принимающих управленческие решения в условиях полуструктурированных и слабо определенных задач.

Таким образом, дальнейшее развитие ИСПР привело к созданию интеллектуальной информационной СПР.

Интеллектуальная ИСПР – это компьютерная система, состоящая из 5 основных взаимодействующих компонентов: языковой подсистемы (механизм обеспечения связи между пользователем и другими компонентами ИСПР), информационной подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).

Подсистема обработки и решения задач распределена и функционально встроена в другие подсистемы, реализуя свои отдельные специфические функции в их рамках. Эта подсистема обладает основными способностями по манипуляции и обработке задач для принятия решений.

На рис.9.6 представлен вариант структуры интеллектуальной ИСПР.


Рис.9.6 - Схематическое представление интеллектуальной СПР.

Информационная подсистема состоит из БД, системы управления БД, средств организации запросов, справочника данных, внешних источников данных.

Подсистема управления моделями состоит из базы моделей, системы управления моделями, языков моделирования, справочника моделей и процессора, который осуществляет реализации на модели, интегрирует модели и осуществляет руководство процессом моделирования.

База моделей содержит обычные и специальные статические, финансовые, прогнозирующие, управленческие и другие количественные модели, которые обеспечивают аналитические способности ИСПР. Способность обращаться к моделям, реализовывать их прогоны, вносить изменения, комбинировать и проверять модели являются ключевой способностью ИСПР, которая отличает их от обычных информационных систем.

Модельный процессор обычно реализует следующие действия:

Исполнение модели, т.е. процесс управления текущим прогоном или реализацией модели;

Интеграция модели, т.е. совмещение операций нескольких моделей, когда это необходимо;

Подтверждение и интерпретация инструкций моделирования, поступающих от диалогового компонента системы и проведение их в систему управления моделями.

Пользовательский интерфейс реализует все аспекты коммуникации между пользователем и ИСПР. Он включает не только техническое и программное обеспечение, но также факторы, которые способствуют облегчению использования и доступности человеко-машинных взаимодействий.

Модели в базе моделей могут подразделяться на стратегические, тактические, операционные и составные стандартные блоки моделей.

Функциями системы управления моделями являются создание моделей с использованием стандартных модельных модулей, генерация новых стандартных модулей и отчетов, дополнение и модернизация моделей, их изменения и манипулирование с данными модели.

Подсистема управления знаниями . Многие неструктурированные и слабоструктурированные задачи являются такими сложными, что они требуют для своего решения экспертизы, дополнительно к обычным способностям ИСПР.

Такая экспертиза может быть обеспечена ЭС или другой интеллектуальной системой.

Поэтому большинство первых ИСПР оснащены системной компонентой, называемой управление знаниями. Такая компонента может обеспечить требуемую экспертизу для решения некоторых видов задач и обеспечивать действие других составных частей ИСПР.

Возможны различные способы интеграции интеллектуальных систем, основанных на знаниях, с математическим моделированием.

Например, часто решения, основанные на знаниях, помогают поддерживать шаги в процессе получения решения без математической поддержки; интеллектуальные системы моделирования решений могут помочь пользователям строить, использовать и управлять библиотекой или базой моделей; аналитические ЭС принятия решений могут интегрировать теоретически строгие методы неопределенности в базу знаний ЭС.

Компонента знаний состоит из одной или нескольких интеллектуальных программных составляющих. Как СУБД и система управления моделями, программное обеспечение управления знаниями обеспечивает требуемое исполнение и интеграцию в интеллектуальных системах.

Информационные СПР, которые включают такую составляющую, называются интеллектуальными информационными СПР, интеллектуальными СПР, экспертными СПР, экспертными системами или СПР, базирующимися на знаниях.

Необходимость использования интеллектуальных систем .

Существует множество доводов в пользу того, интеллектуальные системы могут и должны стать важней­шей составной частью в системах принятия и поддержки решений, при управлении сложными объектами в технологии современных производств и решении широкого спектра экономических задач.

Если в качестве примера объекта взять предприятие, то здесь при управлении возни­кают такие проблемы:

Преодоление сложности (сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений);

Управление предприятием требует организации больших объемов информа­ции;

Как уменьшить информациюдо того уровня, который необходим для принятия решения (потеря информации, поступающей от объектов, работающих в реальном режиме времени, может существенно сказаться на результате);

Нехватка времени на принятие решения (проявляется по мере усложнения производства);

Проблема координации (решения необходимо координировать с другими звеньями процесса или объекта);

Необходимостьсохранения и распространения знаний очень опытных экспертов, полученных ими в процессе многолетней работы и большого практического опыта. Проблема извлечения знаний и их распределения - сегодня одна из главных проблем.

В процессе своей управленческой (а вообще говоря, любой) деятельности человек получает и осознает огромное количество информации. Однако ограниченные возможности человеческого мозга заставляют его осуществлять вербальное перекодирование исходной информации в сгустки насыщенной информации, используя при этом уникальные возможности человеческого языка. Едва ли не все рассуждения человека по своей природе являются приближенными.При этом, используя простые эвристические правила вывода, человек легко справляется с нечеткими рассуждениями.

Специалисты в области ИИ всегда старались разработать программы для компьютеров, кото­рые могли бы в некотором смысле "думать", т.е. решать задачи таким способом, который мы бы сочли разумным, если бы его применил человек.

В процессе исследований и 20-летних поисков они пришли к выводу, что эффектив­ность программы при решении задач зависит от знаний, которыми она обладает, а не только от формализмов и схем вывода, которые она использует. То есть, чтобы сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных спе­циальных знаний о некоторой предметной области.

Понимание этого факта привело к созданию специальных систем, каждая из которых является экспериментом в некоторой узкой предметной области.

Эти программы получили название экспертных систем .

Классификация знаний

Знания бывают классифицированы на следующие категории:

¨ Поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области.

¨ Глубинные – абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области. Эти знания могут использоваться для прогнозирования поведения объекта.

К примеру, поверхностные знания бывают описаны следующим предложением:

ʼʼВ случае если болит голова, то следует выпить аспиринʼʼ.

При этом можно также рассмотреть глубинные знания:

ʼʼЗнания физиологов и врачей высокой квалификации о причинах, видах головных болей и методах их леченияʼʼ.

Знания, которыми обладает человек, делятся на формализованные (точные) и слабо формализованные (неточные). Формализованные знания можно зафиксировать в виде определœений, формул, алгоритмов, моделœей и т.п. Неформализованные знания - ϶ᴛᴏ знания, для которых отсутствует алгоритм (модель, метод) их получения. Эти знания трудно сформулировать, так как они, как правило, являются результатом обобщения многолетнего опыта человека. К примеру, мы не всœегда можем ответить: почему мы приняли то или иное решение, говорим, что оно пришло на интуитивном уровне.

Инженерия знаний – достаточно молодое направление искусственного интеллекта͵ появившаяся тогда, когда практические разработчики столкнулись с весьма нетривиальными проблемами трудности ʼʼдобычиʼʼ и формализации знаний. Инженерия знаний напрямую связана с проектированием баз знаний , ᴛ.ᴇ. получению и структурированию знаний специалистов для последующей разработки интеллектуальных информационных систем (ИИС).

Для БЗ характерны информационные массивы небольшого объёма (в отличие от баз данных) являющиеся исключительно дорогими. В базе знаний можно проводить выбор по запросу информации, явно не хранимой, а выводимой из имеющихся данных. Базы знаний используются для хранения знаний и построения на их базе ИИС. Для этого знания крайне важно представить в форме, понятной компьютеру.

Τᴀᴋᴎᴍ ᴏϬᴩᴀᴈᴏᴍ, идеология создания базы знаний в основном связана с формализацией знаний (или памяти человека). Модели памяти разрабатываются когнитивной психологией. Когнитивная психология (психология познания) занимается, прежде всœего, изучением способов восприятия и понимания знаний человеком.

Процесс представления знаний представляет собой формализацию знаний об определœенной области. В конечном итоге, знания должны быть представлены в форме, которая будет пригодна для создания интеллектуальной системы. Τᴀᴋᴎᴍ ᴏϬᴩᴀᴈᴏᴍ, крайне важно создание определœенных схем, позволяющих описать знания на некотором формальном языке.

Выделяют декларативные и процедурные знания. Декларативные знания хранятся в виде фактов и утверждений об объектах и отношений между этими объектами. К моделям представления таких знаний относятся, предикаты, семантические сети, фреймы. Процедурные знания хранятся в процедурах и выводятся в виде алгоритмов. К моделям их представления относятся правила продукции.

Особенности, присущие некоторым слабоструктурированным задачам, такие, как разнородность информации, неполнота и неопределœенность исходных данных и т.д. делают привлекательным использование качественных знаний. Для их формализации используются методы нечеткой математики.

Извлечение знаний - ϶ᴛᴏ процедура взаимодействия специалиста с источником знаний, в результате которой становится явным процесс рассуждений специалиста при принятии решения и структура его представления о предметной области.

Условно данный процесс включает можно разбить на три этапа:

1. Формулировка проблемы – определœение целœей и задачей получения знаний;

2. Сбор информации из различных источников. Следует отметить, что в качестве эксперта может выступа не только человек, но и любой другой источник информации (справочники, статьи, видеозаписи и т.д.);

3. Разработка формализма (модели) знаний о предметной области.

Рис. 2.1 – Методы получения знаний

Определения

Инженерия знаний (ИЗ) была определена Фейгенбаумом и МакКордаком в 1983 году как:

«ИЗ - раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований - понимание, как работает человеческая логика на примере взаимоотношений в обществе.

Примеры

Пример действия системы, базирующейся на ИЗ:

  • Рассмотрение задачи
  • Запрос к базам данных по задаче
  • Внесение и структурирование полученной информации (IPK модель)
  • Создание базы данных по структурированной информации
  • Тестирование полученной информации
  • Внесение корректировок и эволюция системы.

Будучи скорее искусством, нежели чисто инженерной задачей, ИЗ не имеет большого практического применения. Подразделом ИЗ является метаинженерия знаний, пригодная для разработки ИИ.

Принципы

С середины 1980-х в ИЗ появилось несколько принципов, методов и инструментов, которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них:

  • Существуют разного рода типы знаний [какие? ] и для работы с ними должны использоваться конкретные методы и техника. [какие? ]
  • Существуют различные типы экспертов и опыта. [какие? ] Для работы с ними должны использоваться определенные методы и техника. [какие? ]
  • Существуют разные способы предоставления, использования, понимания знаний [какие? ] и работа с ними может помочь переосмыслить и использовать уже имеющиеся знания по-новому.

В инженерии знаний используются методы структурирования знаний для убыстрения процесса получения и работы со знаниями.

Теории

  • Трансляционная (традиционная): предполагает прямой перенос человеческих знаний в машину.
  • Модельная (альтернативный взгляд): предполагает моделирование задачи и её способов решения самой системой ИИ .
  • Гибридные.
Инженерия знаний
Общие понятия Данные · Метаданные · Знания · Метазнание · Представление знаний · База знаний · Онтология · Семантическая паутина
Жёсткие модели Продукции · Семантические сети · Фреймы · Логическая модель
Мягкие методы Нейросети · Эволюционное моделирование · Нечёткая логика
Применения Экспертные системы · Интеллектуальный анализ данных · Извлечение информации · Виртуальные собеседники · Гибридные интеллектуальные системы
· Машинное обучение · Обработка естественного языка
Философия
Портал
Направления
Применение
Исследователи
Организации

Wikimedia Foundation . 2010 .

  • Днестровские плавни
  • Пршо, Дадо

Смотреть что такое "Инженерия знаний" в других словарях:

    Инженерия знаний - научное направление, занимающееся разработкой языков и форм представления знаний, методов их наполнения и использования при решении тех или иных проблем, исследованием процедур проверки корректности знаний. Инженерия знаний разрабатывает такие… … Основы духовной культуры (энциклопедический словарь педагога)

    Фрейм (инженерия знаний) - У этого термина существуют и другие значения, см. Фрейм. Фрейм (англ. frame «каркас» или «рамка») способ представления знаний в искусственном интеллекте, представляющий собой схему действий в реальной ситуации. Первоначально… … Википедия

    Инженерия - Инженерное дело (инженерия) область человеческой интеллектуальной деятельности, дисциплина, профессия, задачей которой является применение достижений науки, техники, использование законов физики и природных ресурсов для решения конкретных… … Википедия

    Инженерия производительности - (англ. Performance Engineering) часть системотехники, включающая в себя набор ролей, знаний, практик, инструментов и результатов и применяющаяся на каждом этапе Цикла разработки программного обеспечения с целью убедиться в том, что создаваемое,… … Википедия

    Инженерия программного обеспечения - Новый Airbus A 380 использует довольно много ПО, чтобы создать современную кабину в самолете. Метод инженерии программного обеспечения позволил создать программное обеспечение самолёта, описываемое миллионами строк … Википедия

    Представление знаний - Представление знаний вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике с подбором … Википедия

    База знаний - (БЗ; англ. knowledge base, KB) в информатике и исследованиях искусственного интеллекта это особого рода база данных, разработанная для оперирования знаниями (метаданными). База знаний содержит структурированную информацию, покрывающую… … Википедия

    Продукционная модель представления знаний - В данной статье или разделе имеется список источников или внешних ссылок, но источники отдельных утверждений остаются неясными из за отсутствия сносок … Википедия

    Логическая модель представления знаний - Логическая модель представления знаний модель в представлении знаний. Основная идея подхода при построении логических моделей представления знаний вся информация, необходимая для решения прикладных задач, рассматривается как… … Википедия

Инженерная дисциплина, которая занимается интеграцией знаний с компьютерными системами для того чтобы решить сложные проблемы, обычно требующие высокого уровня человеческой экспертизы:

  • управление конфигурацией знаний (учёт);
  • управление изменениями (эволюция);
  • логистика (поиск и доставка по потребности).

На высоком уровне, процесс инженерии знаний состоит из двух:

  1. Извлечение знаний - преобразование «сырых знаний» в организованные, процесс получения знаний из его источников, которыми могут быть материальные носители (файлы, документы, книги) и эксперты (группы экспертов). Является частью Инженерии знаний.
  2. Внедрение знаний - преобразование организованных знаний в реализованные, процесс преобразования организованных знаний в реализованные.

Технологии управления знаниями

Выделяют следующие технологии управления знаниями:

  • работающие с неявными знаниями (tacit knowledge) в головах экспертов (чаще всего именно они имеются ввиду, когда говорится об "управлении знаниями"). Когнитолог (роль):
    • помогает эксперту выявить и структурировать знания, необходимые для работы экспертной системы , извлекает из эксперта неформализованные знания;
    • осуществляет выбор той интеллектуальной системы , которая наиболее подходит для данной проблемной области, и определяет способ представления знаний в этой ИС;
    • выделяет и программирует стандартные функции, которые будут использоваться в правилах, вводимых экспертом.
  • работающие с письменным знанием ("управление знаниями" распространяется на компьютеры: управление корпоративными знаниями, Knowledge Management) - акцент на "полнотекстовый поиск", "семантический поиск", "автоматическое аннотирование".
    1. НЛП, как даталогическая дисциплина ("работа по форме"), техника взмаха, модальности восприятия, субмодальности, пространственное маркирование, калибровка
    2. использование web 2.0 (блоги и вики)
  • работающие с письменным формальным знанием (инженерия знаний, которую тоже включают в управление знаниями, но уже не так уверенно) - акцент на структурных БД, инженерных моделях, интеграции данных. Большинство технологий в инженерии знаний пошло по пути реализации так называемой "семантической сети", подход Гуссерля-Витгенштейна-Бунге о том, что знание представимо фактами (а факты - это отношения концептов). Из множества фактов возникает семантическая сеть (см. обзор John F.Sowa), в котором отношения-ребра связывают концепты-вершины. Реализацией идеи хранения и использования знаний в форме семантической занялось множество почти непересекающихся тусовок/школ (community of practice), отчего появилось огромное количество реализаций и стандартов, в которых ни одного слова не совпадает, но которые идейно и технологически совместимы.
    1. Моделирование данных + интеграция данных . Используют, когда нужно объединить данные множества САПР различных поставщиков при постройке крупного промышленного объекта. Ключевые слова : ISO 15926 , Gellish , ISO 10303 . Вместо слова "онтология " говорят "модель данных". : практически нет, все запросы к данным. Со знаниями сражается каждый сам врукопашную. Никакой графики, сплошной XML, проприетарные форматы хранения Схемы данных в каждом отдельном САПР. В последнее время появляются и иные решения, нацеленные на интеграцию разнородных данных, например от CYC и (на базе стандартизированной онтологии UMBEL, выражения в RDF и обеспечения доступа к данным через HTTP, см.). Проекты ISO 15926-7 сводятся к тому же: некая онтология + semantic web стандарты.
    2. Concept Map () Используют для (часто коллаборативной через веб) учебной и творческой работы. Ключевые форматы (все на XML) : XCT 3.0, но готовы кушать и Topic Map, и многое другое для редактирования и отображения. Средства оперирования знаниями : графическое отображение, объединение сетей, которые нарисовали два участника творческого процесса. Близкий родственник - MindMap , где вообще не граф, а красиво нарисованное дерево, а связи неименованы.
    3. Conceptual Graphs Используют для академических занятий искусственным интеллектом, экспертные системы, агентские системы и прочая классика жанра. Опираются на работы философа и логика Pierce ("интеллектуальное индексирование"), ключевой человек - John F.Sowa. Ключевой формат хранения знаний : три синтаксиса, главный из которых - CGIF (XML). Средства оперирования знаниями : Common Logic (или ISO ISO/IEC IS 24707:2007, ).
    4. Topic Map Использут для Knowledge Management инициатив - а пришли они из каталожников (библиографов). Большие любители стандартизации (см.), но потеряли фокус (их неумолимо влечет к моделированию данных общего вида, в котором они проигрывают подходам Semantic Web). Ключевые форматы хранения знаний : ISO 13250, XTM 2.0, HyTM. Средства оперирования знаниями : используется topic map engine (десяток вариантов), ибо стандартизован TMAPI 2.0. Кроме того, на финишную прямую вышел специальный стандарт на задание констрейнтов для topic maps - ISO/IEC FCD 19756 (TMCL), а язык запросов Topic Map Query Language (проект ISO 18048), похоже, заглох.