Viden Engineering
Hvad er Knowledge Engineering?
Knowledge engineering er et felt af kunstig intelligens (AI), der skaber regler, der gælder for data for at efterligne en menneskelig eksperts tankeproces. Det ser på strukturen af en opgave eller en beslutning for at identificere, hvordan en konklusion nås.
Et bibliotek af problemløsningsmetoder og den supplerende viden, der bruges til hver, kan derefter oprettes og serveres som problemer, der skal diagnosticeres af systemet. Den resulterende software kan derefter hjælpe med diagnosticering, fejlfinding og løsning af problemer enten alene eller i en supportrolle til en menneskelig agent.
Forstå Knowledge Engineering
Knowledge engineering søgte at overføre ekspertise fra problemløsende menneskelige eksperter til et program, der kunne tage de samme data ind og komme til den samme konklusion. Denne tilgang omtales som overførselsprocessen, og den dominerede tidlige videningeniørforsøg.
Det faldt dog i ugunst, da videnskabsmænd og programmører indså, at den viden, der bruges af mennesker i beslutningstagning, ikke altid er eksplicit. Mens mange beslutninger kan spores tilbage til tidligere erfaringer med, hvad der virkede, trækker mennesker på parallelle puljer af viden, som ikke altid ser logisk ud til at være forbundet med den aktuelle opgave.
Noget af det, administrerende direktører og stjerneinvestorer omtaler som mavefornemmelse eller intuitive spring, er bedre beskrevet som analogt ræsonnement og ikke-lineær tænkning. Disse tankemåder egner sig ikke til direkte, trinvise beslutningstræer og kan kræve indtrækning af datakilder, der ser ud til at koste mere at hente og behandle, end det er værd.
Overførselsprocessen er blevet efterladt til fordel for en modelleringsproces. I stedet for at forsøge at følge trin-for-trin-processen i en beslutning, er vidensteknologi fokuseret på at skabe et system, der vil ramme de samme resultater som eksperten uden at følge den samme vej eller trykke på de samme informationskilder.
Dette eliminerer nogle af problemerne med at spore den viden, der bruges til ikke-lineær tænkning, da de mennesker, der gør det, ofte ikke er opmærksomme på den information, de trækker på. Så længe konklusionerne er sammenlignelige, virker modellen. Når først en model konsekvent kommer tæt på den menneskelige ekspert, kan den forfines. Dårlige konklusioner kan spores tilbage og debugges, og processer, der skaber tilsvarende eller forbedrede konklusioner, kan opmuntres.
Knowledge Engineering til at overgå menneskelige eksperter
Knowledge engineering er allerede integreret i beslutningsstøttesoftware. Specialiserede vidensingeniører er ansat inden for forskellige områder, der fremmer menneskelignende funktioner, herunder maskinernes evne til at genkende et ansigt eller analysere, hvad en person siger for mening.
Efterhånden som modellens kompleksitet vokser, forstår vidensingeniørerne muligvis ikke helt, hvordan konklusioner nås. Til sidst vil vidensingeniørområdet gå fra at skabe systemer, der løser problemer såvel som et menneske, til et, der gør det kvantitativt bedre end mennesker.
Ved at koble disse videntekniske modeller med andre evner som naturlig sprogbehandling (NLP) og ansigtsgenkendelse, kan kunstig intelligens være den bedste server, finansielle rådgiver eller rejsebureau, som verden nogensinde har set.
##Højdepunkter
Knowledge engineering bliver allerede brugt i beslutningsstøttesoftware, og det forventes, at det på et tidspunkt vil blive brugt til at træffe bedre beslutninger end menneskelige eksperter.
Målet med vidensteknologi er, at det skal implementeres i software, der vil træffe beslutninger, som menneskelige eksperter ville, såsom finansielle rådgivere.
I dag bruger vidensteknologi en modelleringsproces, der skaber et system, der berører de samme resultater som eksperten uden at gå samme vej eller bruge de samme informationskilder.
I sin oprindelige form fokuserede videnteknik på overførselsprocessen; overføre ekspertise fra et problemløsende menneske til et program, der kunne tage de samme data og drage de samme konklusioner.
Knowledge engineering er en gren af kunstig intelligens (AI), der udvikler regler, der anvendes på data for at efterligne tankeprocessen hos et menneske, der er ekspert i et specifikt emne.
Det blev fastslået, at overførselsbehandling havde sine begrænsninger, da det ikke præcist afspejlede, hvordan mennesker træffer beslutninger. Den overvejede ikke intuition og mavefornemmelse, kendt som analog ræsonnement og ikke-lineær tænkning, som ofte måske ikke er logiske.
