Inženiring znanja je področje umetne inteligence (AI), ki ustvarja pravila, ki se uporabljajo za podatke, da posnemajo miselni proces človeškega strokovnjaka. Pregleda strukturo naloge ali odločitev, s katero ugotovi, kako je mogoče doseči zaključek. Nato lahko ustvarite knjižnico metod za reševanje problemov in uporabljeno znanje za zavarovanje, ki jih lahko uporabite za težave, ki jih diagnosticira sistem. Nastala programska oprema bi potem lahko pomagala pri diagnozi, odpravljanju težav in reševanju težav sama ali v podporni vlogi človeškemu agentu.
Razbijanje inženiringa znanja
Inženiring znanja si je prizadeval za prenos strokovnega znanja človeških strokovnjakov za reševanje problemov v program, ki bi lahko uporabil iste podatke in prišel do istega zaključka. Ta pristop se imenuje postopek prenosa in je prevladoval v zgodnjih poskusih inženiringa znanja. Ni mi bilo naklonjeno; Vendar pa so znanstveniki in programerji ugotovili, da znanje, ki ga ljudje uporabljajo pri odločanju, ni vedno nazorno. Medtem ko je mogoče številne odločitve zaslediti s prejšnjimi izkušnjami o tem, kaj je delovalo, ljudje črpajo vzporedne baze znanja, ki niso vedno logično povezane z nalogo. Nekaj tistega, kar generalni direktorji in zvezdniški vlagatelji navajajo kot občutek črevesja ali intuitivni skoki, je bolje opisano kot analogno sklepanje in nelinearno razmišljanje. Ti načini razmišljanja se ne izpostavljajo usmeritvam po korakih in lahko zahtevajo, da vnesete vire podatkov, za katere se zdi, da bodo za vnos in obdelavo stali več, kot je vredno.
Postopek prenosa je zaostajal v prid procesu modeliranja. Namesto da bi poskušali slediti postopnemu postopku odločitve, je inženiring znanja osredotočen na ustvarjanje sistema, ki bo dosegel enake rezultate kot strokovnjak, ne da bi sledil isti poti ali uporabil iste vire informacij. To odpravlja nekatera vprašanja sledenja znanja, ki se uporablja za nelinearno razmišljanje, saj ljudje, ki to počnejo, pogosto ne poznajo informacij, ki jih vlečejo. Dokler so sklepi primerljivi, model deluje. Ko se model nenehno približa človeškemu strokovnjaku, ga je mogoče nato izpopolniti. Slabe zaključke je mogoče zaslediti in odpraviti napako, spodbuditi pa je mogoče procese, ki ustvarjajo enakovredne ali izboljšane zaključke.
Inženiring znanja za preseganje človeških strokovnjakov
Inženiring znanja je že vgrajen v programsko opremo za podporo odločanju. Specializirani inženirji znanja so zaposleni na različnih področjih, ki napredujejo človeku podobne funkcije, vključno z zmožnostjo strojev, da prepoznajo obraz ali razčlenijo, kaj človek pravi smiselno. Ko stopnja kompleksnosti modela narašča, inženirji znanja ne bodo povsem razumeli, kako dosegajo zaključke. Sčasoma bo področje inženiringa znanja prešlo od ustvarjanja sistemov, ki rešujejo probleme, pa tudi človeka, do takšnega, ki kvantitativno deluje bolje kot ljudje. Povezovanje teh modelov inženiringa znanja z drugimi sposobnostmi, kot so obdelava naravnega jezika (NLP) in prepoznavanje obraza, bi bila umetna inteligenca lahko najboljši strežnik, finančni svetovalec ali potovalni agent, kar jih je svet kdajkoli videl.
