Primjena metoda inženjeringa znanja zaključak. Inženjering znanja. Istorija pojma

Sistem je posrednik, koji zaključuje ugovor o nabavci.

Inženjering znanja je oblast računarske nauke u okviru koje se provode istraživanja o zastupljenosti znanja u računarima, održavanju ažurnim i manipulišući njime.

Sistem znanja - sistem zasnovan na znanju.

SOZ SBZ DBMS ES IS SII - sistem umjetne inteligencije.

Struktura sistema zasnovanog na znanju.

KB mehanizam za dobijanje rješenja

INTERFACE

Baza znanja je model koji u računaru predstavlja znanje akumulirano u određenoj predmetnoj oblasti. Ovo znanje mora biti formalizovano.
Znanje se formira pomoću modela, a zatim se predstavlja posebnim jezikom.

Znanje o određenim objektima i pravilima obično je istaknuto u bazi znanja. Ova pravila se izvršavaju kao mehanizam za dobijanje rješenja kako bi se iz izvornih činjenica izvukla nova.

Interfejs pruža dijalog na jeziku poznatom korisniku.

Metode zasnovane na zaključivanju često se koriste u inženjeringu znanja.

Koncept predmetne oblasti.

Objekt je nešto što postoji ili se percipira kao poseban entitet.

Osnovna svojstva: diskretnost; razlika.

Prilikom prezentiranja znanja koristi se pragmatičan pristup, tj. istaknuta su ona svojstva objekta koja su bitna za rješavanje problema koji će se rješavati kreiran sistem. Stoga se sistem zasnovan na znanju bavi stvarima koje su apstraktni objekti. Objekt djeluje kao nosilac nekih svojstava objekta. Stanje predmetne oblasti može se promeniti tokom vremena. U svakom trenutku, stanje predmetne oblasti karakteriše skup objekata i veza. Stanje predmetne oblasti karakteriše situacija.

Konceptualna sredstva za opisivanje predmetne oblasti.

Konceptualni model najviše odražava opšta svojstva. Da bi se pružio detaljan opis, potrebni su jezici. Karakteristične karakteristike konceptualnih sredstava za opisivanje predmetne oblasti su apstrakcija i univerzalnost. Mogu se koristiti za opisivanje bilo koje predmetne oblasti.

Koncept klase objekta.

Koncept objekta je koncept skupova. Objekti koji su slični jedni drugima se kombinuju u klase. U različitim vremenima, različiti skupovi objekata mogu odgovarati istoj klasi.

K – klasa objekta.

Kt – skup objekata klase K u trenutku t.

Grupa (1999) = (IA-1-99, IA-1-98, …, IA-1-94, IB-1-99,…)

Grupa (1998) = (IA-1-98, IA-1-97, …, IA-1-93, IB-1-98,…)

(t Kt = ( … )

Nastavno mjesto = (profesor, vanredni profesor, viši predavač, predavač, asistent)

1 4 Geometrijska figura, kvadratnog oblika, plave boje.

(K: A1 K1, A2K2, …, AnKn) naziv atribut ime klasa objekata klasa atributa par

Identifikacija objekata može biti direktna i indirektna. U slučaju direktne linije koriste se nazivi objekata i redni brojevi objekata; indirektno se zasniva na upotrebi svojstava objekta.

Atribut može biti komponenta. Atribut se shvata kao svojstvo, karakteristika ili naziv komponenti.

(Geometrijska figura: oblik Geometrijski oblik boja Boja)

Parovi imena atributa i vrijednosti atributa često su isti.

Primjer situacije:

(predavanje: predavač Prezime predavača, mjesto broj publike, tema Naziv teme, slušatelj Šifra grupe, dan Dan u sedmici, vrijeme Početak)

Situacija – prikazana je veza između „učitelja“ i „slušatelja“ i druge karakteristike ove situacije.

Uloge učesnika u situaciji:

Slušalac

Karakteristike situacije:

(K: A1K1, A2K2, …, AnKn) – predstavljanje znanja u obliku neke strukture.

(datum, dan, dan_u mjesecu)

(datum, mjesec, ime_mjeseca)

(datum, godina, godina)

(geometrijska_figura, oblik, geometrijski_oblik)

(geometrijska_figura, boja, boja)

Ovo predstavljanje znanja odgovara predstavljanju znanja u obliku pojedinačnih činjenica.

(K: A1K1, A2K2, ..., AnKn)

Reprezentacije znanja o objektima dijele se na:

klase objekata (struktura podataka)

znanje o određenim objektima (o podacima)

Klase objekata.

1. (K: A1K1, A2K2, ..., AnKn)

Ai – ime atributa

Ki – klase objekata, su vrijednost atributa

K – naziv klase

(učitelji:

Puno ime prezime_sa_inicijalima,

Pozicija predavač_pozicija)

(nastavnik, puno ime, prezime_sa_inicijalima, nastavnik, mjesto nastavnika)

3. K (K1, K2, ..., Kn)

4. K (A1,A2, ..., An)

(nastavnik (prezime_sa_inicijalima, nastavno mjesto), nastavnik (puno ime, radno mjesto))

Reprezentacija znanja za prvi oblik:

(K: A1K1,A2K2, ... , AnKn) ki (Ki

Atributivno predstavljanje znanja:

(nastavnik: - predstavlja

Puno ime Semenov - neka struktura

Radno mjesto docent) - podaci

Reprezentacija znanja za drugi oblik:

(K: AiKi) k (K, ki (Ki

Atributivno predstavljanje znanja u obliku pojedinačnih činjenica:

(učitelj1, puno ime, Semenov) - 1, 2 su veze između

(nastavnik1, pozicija, vanredni profesor) - činjenice

(nastavnik 2, puno ime, Petrov)

(učitelj2, pozicija, asistent)

Reprezentacija znanja za treći oblik:

K (K1, K2, … , Kn)

(nastavnik (Semenov, vanredni profesor) - pozicioni prikaz znanja

Ako nema imena atributa, a sami atributi su napisani na određenim pozicijama, onda je to poziciona reprezentacija znanja.

Predstavljanje znanja u obliku “trojki” - (objekat, atribut, vrijednost).

Za predstavljanje netačnih vrijednosti koriste se koeficijenti pouzdanosti - (objekat, atribut, vrijednost, koeficijent pouzdanosti).

0 – odgovara nesigurnosti. negativna vrijednost – stepen povjerenja u nemogućnost vrijednosti atributa.

(pacijent 1, dijagnoza, gastritis, K740)

* (pacijent, puno ime, Antonov, dijagnoza kolitis K760, gastritis K740)

Reprezentacija znanja o klasi objekta naziva se minimalnom ako, kada se jedan od atributa ukloni, preostali skup atributa prestaje biti reprezentacija ove klase objekta.

Zakup (objekt_zakupa, zakupac, zakupodavac, rok_zakupa, naknada).

Ako uklonite "lease_term", dobijate kupovinu i prodaju, a ako uklonite
“rent_term” i “fee”, onda dobijate poklon.

Reprezentacija znanja u relacionoj bazi podataka.

Relaciona baza podataka – podaci se pohranjuju u pozicijskom formatu.

Podaci se pohranjuju u obliku tabele, pri čemu je naziv tabele naziv klase.
Svaka klasa odgovara tablici ili datoteci baze podataka. Ime klase je ime odgovarajuće tabele. Imena atributa – odgovarajuća polja tabele
(kolona). Redovi tabele su zapisi baze podataka. Unos odgovara unosu u pozicijskom formatu.
|A1 |A2 | . . .|An |
| | |. . | |
|K1 |K2 | . . .|Kn |
| | |. . | |

Nastavnici

Koncept atributa u pozicionoj bazi podataka je očuvan.

Unos K (A1,A2, ..., An) naziva se odnos između atributa. Ova terminologija se koristi u relacionim bazama podataka. Ideja podataka u relacionoj bazi podataka zasniva se na konceptu „ključa“.

Ključ je skup atributa relacije čija vrijednost jedinstveno identificira zapis u datoteci.

Apartman

| grad |ulica |kuća |zgrada|stan|površina |broj soba|
|Moskva |Tverska |2 |1 |47 |60 |2 |
|Moskva |Tverskaja |2 |1 |54 |50 |1 |

IN u ovom slučaju ključ će se sastojati od nekoliko polja.

Ki sup Kj je potklasa klase sup podklase; podklasa sup klasa.

Ki je potklasa Kj ako (t Ki t (Kj t

(Ako je u bilo kom trenutku t klasa Ki podklasa Kj)

Npr – klasifikacija mreže.

Mrežna klasifikacija je predstavljena kao hijerarhijska struktura.

Student sup student.

Ki dio Kj - je dio Ki dijela Kj

Ki je dio Kj ako je određeni objekt klase Ki dio jedinstveno definiranog objekta Kj.

Stav pripadnosti. k isa K - je element

Ki ius K - je komponenta

Znači da se objekat klase K sastoji od objekata klase K1, K2, ...,
Kn, a objekt klase K može uključivati nekoliko objekata klase Ki.

Predavanje br. 4.

Svojstva odnosa.

Odnosi parcijalnog poretka imaju svojstvo tranzitivnosti.

Ki sup Kj Kj sup Km

Ki dio Kj Kj dio Km

Ako je element komponenta bloka, a blok je sastavljen...

U grafikonu članstva nema ciklusa.

K1 ins K2, K2 ins K3,…,Kn-1 ins Kj

Nije tačno da je Kn ins K1

Moskva je grad

Grad sup Lokalitet

Moskva je lokalitet

Operacije nad klasama objekata.

Koristeći operacije nad klasama objekata, možete definirati novu klasu objekata

Ki set blokova, na primjer, televizori

Materijalni objekti su podijeljeni u tri klase

Stanje (prostorije (oprema = materijalni objekt

Osoba (Soba = Osoba (Oprema = Soba (
Oprema =?

Postavljanje klasa objekata

Osoba (Prezime, Ime, Patronimsko ime, Godina rođenja, pol)

Spol=(muško, žensko)

Muškarac, žena = Ljudski rod

K (K1, K2, K3, K4, K5)

KK5 – Raspored klasa prema klasi K5.

Unija svih ovih klasa je čovek.

Muškarac?Žena=Čovjek

Muškarac?Žena=?

(znanje stranog jezika

Osoba sa znanjem

Predmet strani_jezik)

Kao rezultat podjele, dobijamo klase ljudi koji znaju strani jezik.

Konceptualni dijagram predmetne oblasti je skup klasa objekata, odnosa i operacija definisanih na njemu.

Predlošci opisa stanja predmetne oblasti:

Odeljenje K izvodi nastavu discipline u grupi u na in.

Ivanov I.I. izvodi nastavu iz TOE discipline u grupi IT-1-98 u ponedjeljak na 4. paru u G-301.

(razredi: nastavnik Nastavnik disciplina Naziv_discipline grupa Grupa_šifra dan Dan nedjelje vrijeme_par_broj mjesto Publika)

Konceptualni modeli predmetne oblasti - konceptualni dijagram zajedno sa skupom iskaza izgrađenim prema konačnom skupu šablona.

Dijagram entiteta i odnosa (ER dijagram)

Dijagram odnosa entiteta

Essence

Atributi entiteta i odnosa

N nastavnika radi na 1 odjeljenju. “*” je znak nastavnika - možete pronaći odjel.

Komunikacijski glagol ili objekt

Atributi – pridjev, brojnici, dimenzije, mjesto radnje

Raspored učitavanja

Logički sistemi (modeli), bazirani na jednom primjeru isporuke robe u prodavnicu.

Logički modeli predstavljanja znanja.

Opis predmetne oblasti u jednom od logičkih programskih jezika, zasnovan na predikatskom računu.

Jezik višestrukog predikatskog računa 1. reda. Višestruka logika prvog reda.

Da sastavite ovaj jezik:

Koncept vrste odgovara konceptu klasa objekata.

Mnoge varijante S

Na setu su određene funkcije. ime f-funkcije;

vrste argumenata;
B – tip vrijednosti funkcije.
Z – potpis je najviši nivo predstavljanja znanja u logičkim modelima.

predikat -
T=(0;1)

false true
- konstanta vrste B

Pogledajmo obradu dijelova u proizvodnji kao primjere.
2-turn;
1-glodanje;

S=(Dio, Stroj, Operacija, Tip_dijela, Tip_mašine, Vrijeme)
1) dijete: Operativni detalj; f A1 B
2) st: Operacija (Mašina;
3) početak: Operacija (Vrijeme
4) protiv: Operacija (Vrijeme
5) part_type: Part (Part_type
6) type_st: Mašina (Vrsta mašine
7) 0: (Vrijeme

T: (Vrijeme
8) shaft_shaft: (Tip_dela shaft_place: (Tip_part
9) glodala: (struja tipa_mašine: (tip_mašine
10) cutter_face: operacija T current_rev: operacija T
11) +: Vreme*Vreme Vreme
12): Vrijeme*Vrijeme T

Znanje o konkretnim objektima
(niži nivo predstavljanja znanja) u jeziku višestrukog predikatskog računa naziva se strukturno integrisani potpis
1) potpis
2) Struktura integracije. Potpisi.
3) Za svaki naziv sorte kreiraju se mnogi objekti ove sorte.
Dio = (1. dio, 2. dio, 3. dio, 4. dio)
Mašina = (st.1, st.2, st.3)
Operacija =(oper1,oper2,oper3,oper4,oper5,oper6,oper7,oper8)
Vrsta_dijela = (osovina, osovina, mjesto)
Tip_mašine = (struja, glodala)
Vrijeme = (1,2,…,t)

Unija svih skupova je univerzum.
Svaka funkcija i predikat iz strukture u sistemu odgovara mnogim faktorima.
1) dijete(operacija1)=dijete1 dijete(operacija2)=dijete1 dijete(operacija3)=dijete2

…………………..
2) st.(oper.1)= st.3 st.(oper.2)= st.1 st.(oper.3)= st.3

…………………
3) start(operacija1)=0 start(operacija2)=5 start(operacija3)=5
…………………..
4) konc(oper.1)=5 konc(oper.2)=12 konc(oper.3)=0
…………………
5) type_det(part.1)=tem_shaft type_detail(detail.2)=shaft_places type_detail(details3)=stem_shaft type_detail(details4)=shaft_seats
………………….
6) type_st. (st.1)=trenutni tip_st. (st.2)=trenutni tip_st. (st.3) = rezači
………………….
10) cutter_face (oper1) current_rev (oper2) cutter_face (oper3)
|operacija|dio |mašina |početak |kraj |kraj_mlina|trenutni_arr|
|Oper1 |Det.1 |St.3 |0 |5 |1 |0 |
|Oper2 |Det.1 |St.1 |5 |12 |0 |1 |
|Oper3 |Det.2 |Čl.3 |5 |10 |1 |0 |
|Oper4 |Det.2 |Čl.2 |10 |17 |0 |1 |
|Oper.5 |Det.3 |Čl.3 |10 |16 |1 |0 |
|Oper6 |Det.3 |Čl.1 |16 |26 |0 |1 |
|Oper7 |Det.4 |Čl.3 |16 |22 |1 |0 |
|Oper8 |Det.4 |Čl.2 |22 |32 |0 |1 |

|Deo|Detalj_tipa |
|Det.1 |St_shaft |
|Det.2 |St_val |
|Det.3 |Val_place|
|Det.4 |Val_place|

|Mašina|Tip_st |
|St.1 |Current. |
|Čl.2 |Aktuelno. |
|St.3 |Fr. |

3) Komponenta: Logičke formule

Pravila za konstruisanje formula: a) konstanta vrste A je termin vrste A b) promenljiva koja uzima vrednost iz sorte A je termin vrste A c) ako potpis sadrži funkciju - konstruisane termine sortiranja respektivno, tada
- postoji termin vrste B d) ako potpis sadrži predikat -
,termi građenih varijanti
, odnosno atom. e) ako - termini iste vrste, onda izraz, odnosno atom e) Atom je ispravno konstruisana formula (PPF) Varijabla uključena u atom je slobodna u ovom atomu. g) ako konstruirana formula slobodno uključuje varijable x tipa A, tada su izrazi:

Također je PPF, varijabla “x” je vezana (u novim datotekama) h) ako su formule već napravljene, tada je također PPF
primjeri:
1) Prezentacija znanja b=>oper2 završena strug type_st(st(oper2))=ncurrent
2) Opera 2 je završena na stop 1 na st. 1 početak 5 kraj 12
3)

Predavanje 8 12.11.99.

Metoda rezolucije

Metoda rezolucije dokazuje nepraktičnost.
Za korištenje ove metode potrebno je konvertirati originalnu formulu u DNF.
DNF:
- disjunkcija slova pii – atom ili negacija atoma.
Tada je DNF predstavljen kao skup klauzula
U metodi rezolucije postoji jedno pravilo zaključivanja
Kao rezultat, od 2 klauzule dobijamo novu, koja se zove ruoventa
- dobijamo praznu klauzulu, koja je uvek netačna.
Ako skup sadrži praznu klauzulu, onda je nezadovoljiv.
Rezultat je prazna klauzula, koja dokazuje da je ovaj skup nezadovoljiv.
Metoda rezolucije se primjenjuje sve dok se ne dobije prazna klauzula.
m,n – konst
zamjena umjesto konstantne varijable – unifikacija.
U ovom slučaju vršimo zamjenu (n/y):
Iz (1) i (2) => a(x)c(x,n) (5)
Iz (3) i (5), izvođenje zamjene (m/n) => c(m,n) (6)
Iz (4) i (6) bez zamjena => 0

Princip rezolucija u Prologu
Prolog koristi akordske klauzule, tj. klauzule koje sadrže jedno slovo bez negacije.
Na primjer
=>

konjunkcija bez negacije

Mogu se koristiti disjunkti koji uopće ne sadrže slova. – ovo je ciljna izjava u prologu: ? – a a: - b,c,d. b: - e,f. c. e. f.
?-a a(1) a(2) a(3)
|Korak br. |Cilj |Inicijalna |rezolucija|
| | disjunkcija | disjunkcija | |
|1 |?- a. |a:-b,c,d. |-b,c,d. |
|2 |?-b,c,d |b:-e,f |-e,f,c,d |
|3 |?-e,f,c,d |e |-f,c,d |
|4 |?-f,c,d |f |-c,d |
|5 |?-c,d |c |-d |
|6 |?-d |d |0 |

Predstavljanje programa u obliku grafa a: - b;c b: - d,e c: - g,f. e: - i,h g: - h,j d. f. h.
?-a
"," - I
";" - ili
Konstrukcija grafa počinje sa ciljnom klauzulom.
Grafikon pokazuje koja i koliko rješenja ima problem koji se razmatra.

Dva rješenja problema

Proizvodni model reprezentacije znanja.
Osnova za ovaj model su pravila proizvodnje koja imaju sljedeći oblik
- pravilo proizvodnje >:=
Ako onda [CD=]

primjeri:
Pravilo 5
Ako je rod=ženski

I dodatak=mali

I težina=65 godina_ili_više
Tada relativna_težina = varijabla
Faktor pouzdanosti je određen brojem 0-100

Pravilo 27
IF izgledi=odličan

I rizik=visok
TO faktor=0 CD=10
Općenito, premisa može biti logičan izraz.
Ako je premisa tačna, onda je zaključak tačan, tj. zaključak može ukazivati na neku radnju koja se izvodi ako je premisa tačna
::[AI...I]
::== objekt, atribut, vrijednost, faktor pouzdanosti - reprezentacija znanja u obliku četvorke
::==
:==CD=
Isti predmet može imati različita značenja.
Objekti s više vrijednosti su objekti koji mogu imati nekoliko važećih vrijednosti.
Ako objekat nije deklarisan kao viševrijedan, onda može imati nekoliko vrijednosti, onda one ne moraju biti pouzdane, tj. CD= 100

Za objekte, vrijednost koja se traži od korisnika.
Kakav dodatak?
1. Mala
2. Prosječne dozvoljene vrijednosti
3. Veliki

Koje su godine
1. manje od 25
2. od 25 do 55
3. više od 55
Faktor pouzdanosti parcele=min(Kdusl)

Činjenica dobijena kao rezultat ispunjenja pravila izgledi = odličan AC = 50 rizik = visok AC = 70 faktor = 0

Osnovna struktura proizvodnog modela reprezentacije znanja

Početni podaci

Rezultat

Zaključci se završavaju kada se dosegne ciljni vrhunac ili ne preostaju primjenjiva pravila i cilj nije postignut.

Obrnuti zaključci - izvode se od vrha do dna (sa zaključcima orijentiranim prema cilju)

P 1 P2 P3 P4
P5

C 4 C5 C6 C7 C8

|№ |Cilj|Konflikt |Ispunjenje|Podciljevi|Činjenica|
|korak| |set | | | |
| | |pravila |pravila | | |
|1 |C1 |P6,P7 |P6 |S2,C3 | |
|2 |S2 |P1,P2 |P1 |S1,S5,S| |
|3 |C3 | | |3 |F1 |
|4 |C4 | | | |F2 |
|5 |C5 |P3 |P3 | | |
|6 |C6 | | |C6,C7,C|F3 |
|7 |C7 | | |8 |F4 |
|8 |S8 | | | |F5 |
| | | | | | |

Cilj – “trajanje” – cilj je specificiran imenom objekta.
Uspoređuje se sa zaključkom pravila i bira se pravilo sa zaključkom
, koji sadrže naziv objekta. Odaberemo pravilo koje sadrži ciljni objekt, formiramo hipotezu

U tom procesu hipoteza se ili potvrđuje ili opovrgava. Zaključci se nastavljaju dok se jedna ne potvrdi ili dok se ne iscrpe sve moguće hipoteze.
Koristi se manje čekova jer pravilo ima nekoliko uslova i jedan zaključak.

Dvosmjerni izlazi.

Prvo, direktni zaključci se donose na osnovu male količine podataka, kao rezultat formira se hipoteza koja potvrđuje ili opovrgava druge zaključke.
Za provjeru uslova pravila koristi se aparat za aktivaciju pravila, koji u svakom koraku bira ona pravila u kojima se provjeravaju uvjeti.
Uslovi se također moraju koristiti. U smislu pravila, razlikuju se pojedinačna pravila, a zatim opšta.
Opšta pravila – pravila uslova primjenjivosti. Opseg primjenjivosti.

Generalizirana struktura pravila proizvodnje.
(i); Q; P; A; =B; N
(i) – naziv pravila:
Q – opseg primjene pravila;
P – uslov za primenljivost pravila (logički uslov)
A=>B – osnovno pravilo, gdje je A premisa, a B zaključak;
N – postavljeni uslov određuje radnje koje se izvršavaju ako se kernel izvrši.
P – ako je tačno, aktivira se srž pravila.

Okvir – struktura podataka za predstavljanje stereotipne situacije
(k: A1K1, A2K2, …., AnKn)
(za: A1k1, A2k2,….,An kn)
(ime datoteke: ime slot1 (vrijednost slot1) ime slot2 (vrijednost slot2)

………………………………………….. naziv utora n (vrijednost utora n))
Protoframe – znanje o klasi objekata.
Okvir – instanca – se dobija iz protoframe popunjavanjem slotova specifičnim vrednostima.
Struktura okvira obično uključuje sistemske utore. Slot sistem uključuje:
Utore definiramo kao roditelj okvira, slot koji pokazuje na direktnu djecu okvira.

Kao sistem slotova: slotovi koji sadrže informacije o kreatoru programa i njegovoj modifikaciji.
Struktura uključuje:
- indikator nasljeđa;
- indikator tipa podataka;
- demoni itd.

FMS JEZIK (FMS).
Pokazivači nasljeđivanja mogu biti:
U – jedinstven – jedinstven
S – isto- neki
R – domet – indikator granice;
0 – nadjačati – zanemariti

U – u okvirima različitih nivoa sa istim nazivima će biti različiti.
S – slotovi za nasljeđivanje vrijednosti sa slotova višeg nivoa sa istim imenima

Vrijednost donje jednačine mora biti unutar granica vrijednosti definirane u gornjoj jednačini.

R
Čovjek

Ako vrijednost nije navedena, onda se nasljeđuje iz gornjeg slota jednadžbe, a ako je specificirana, nasljeđivanje se zanemaruje.

Predavanje 11 3.12.99

Kombinacija modela mreže i okvira u sistemu predstavljanja znanja OPS-5
Ovaj jezik ima proizvodna pravila i baze podataka
::=({| }+)

()+ - Može se ponoviti nekoliko puta
::=((vrijednost))
::= |
(Kiselina klase supstance

Ime

bezbojno)
(Red zadataka: izvor, ograda od curenja)
koja su pravila:
::=(P)
::={}+
::= | -
::= | |
::=((vrijednost>)+) |

# (redoslijed zadataka)

([{ }+])
# (supstanca)
Obrazac ne ukazuje nužno na sve atribute date klase, tj. možemo zapisati
(Kiselina klase supstance

Ime) tj. varijabilna kiselina – stvar će dobiti vrijednost
::= ({ >}+)
Vrijednost iz odgovarajućeg atributa radnog elementa memorije mora odgovarati jednom od elemenata navedenih u ovoj tablici, barem jednom.
Ova značenja su specificirana u određenim riječima.
# (Kisela klasa supstance

boja)
::= ({{{}+}}+)
Lista vrijednosti se također može navesti kao ograničenja
# (Snaga motora (100 200))

(Snaga motora 160)
:={}+
::=(napravi | ukloni | (modif
{} +)

# (P koordinata _a

(ciljno stanje aktivno

Ime koordinate)
Ako je cilj u stanju koordinirati, a redoslijed zadataka nije definiran, onda kreirajte

(Red zadataka) –>
(učini ciljno stanje aktivnim

Imenujte redoslijed zadataka)
(modif1 stanje čekanja))

Strategija rješavanja problema zasniva se na eksplicitnom postavljanju ciljeva
Performanse
1. poređenje sa memorijskim elementima što rezultira sukobljenim skupom pravila
2. Izbor pravila iz skupa sukoba
3. Sprovođenje radnji navedenih u zaključku pravila
Izvršava se dok se cilj ne postigne.

Sticanje znanja

Izvlačenje znanja iz izvora, pretvaranje u potreban oblik i prenošenje u bazu znanja inteligentnog sistema.

Znanje se deli na:
- objektivizirana;
- subjektivno
Objektivirano – znanje predstavljeno u eksternim izvorima – knjigama, časopisima, istraživačkim radovima.
- formatirano, tj. predstavljeni u obliku zakona, formula, modela, algoritama.
Subjektivno – znanje koje je stručno i empirijsko nije predstavljeno u eksternom obliku.
Stručno znanje je neformalno, sastoji se od mnogih heurističkih tehnika i pravila, omogućava da se pronađu pristupi rješavanju problema i postavljaju hipoteze koje se mogu potvrditi ili opovrgnuti.
Znanje se može steći u procesu posmatranja bilo kojeg objekta.
Načini rada inženjera znanja i konsultanta u procesu sticanja znanja.
1. analiza protokola
- rasuđivanja se snimaju naglas u procesu rješavanja problema.
O.S. sastavljaju se i analiziraju protokoli
2. Intervju – vodi se dijalog sa eksperimentom u cilju sticanja znanja.
3. Simulacija profesionalne aktivnosti u igri.

Metode intervjuisanja.
1. Sečenje na korake identifikuje veze koje dozvoljavaju izgradnju hijerarhijskih struktura
2. Repertoarska mreža Predložena su 3 koncepta i potrebno je navesti razliku između 2. koncepta i 3. koncepta. Stručnjaku se nudi nekoliko koncepata i od njega se traži da imenuje zajedničke osobine => klase oblika.

Metoda rada konitologa na formiranju polja znanja
Uključuje 2 faze
1. pripremni
1.1. Jasna priprema problema koji sistem mora riješiti
2. Predstavljanje Konita u Litovu
3. Izbor stručnjaka
4. Upoznavanje stručnjaka sa kopijom
5. Upoznavanje stručnjaka sa popularnom tehnikom umjetne inteligencije
6. Formiranje polja znanja iz kopije
2. Glavna pozornica
1. pumpanje polja znanja u modu
2. timski rad kozmetologa - analiza protokola, utvrđivanje povezanosti pojmova, priprema pitanja za stručnjaka
3. Napumpavanje polja znanja - zadatak postavljanja pitanja stručnjaku
4. Formalizacija konceptualnog problema.
5. Provjera kompletnosti modela
Ako je model nekompletan, onda se koristi 2. aproksimacija.

Predavanje 12 10.12. 99.

Fuzzy setovi
– debljina proizvoda mala srednja velika

stepen

10 15 40 debljina proizvoda
- fuzzy set x - univerzalni skup
x - formira skup parova A
- zove se funkcija pripadnosti rasplinutog skupa.
Pozivaju se vrijednosti funkcije članstva za određeni element X

Stepen pripadnosti

Nosač rasplinutog skupa
Normalni rasplinuti skup je skup za koji

Fuzzy set
X - univerzalni set
X - formira skup parova A
: - zove se funkcija pripadnosti rasplinutog skupa.
Vrijednost funkcije pripadnosti za određeni element X naziva se stepen pripadnosti
- nosilac rasplinutog skupa
&
Normalan rasplinuti skup je skup za svaki

Ako svedemo na normalni oblik => sve njegove vrijednosti trebamo podijeliti sa
.

Neka je funkcija pripadnosti data cijelim brojem od 10 do 40
Definirajte pojam male debljine proizvoda.

| | | | | | | | x x

10 11 12 13 14 15 16 17 18
18

Operacije na rasplinutim skupovima

1. Unija rasplinutih skupova

2. Presjek rasplinutih skupova

3. Komplementacija rasplinutog skupa

Početak predavanja 12 i 13.

(A1,(A2,….,(An x1,x2,…,xn x1(X1 x2(X2 … xn(Xn

(A1 x(A2 x … x(An = ()

(x (x1,x2,…,xn) = min((A1 (x1), (A2 (x2)…(An (xn) ))

(A x(B = (,
, }
5. Podizanje fuzzy skupa na stepen.

(A2 = con((A) - koncentracija

(A0.5 = dil((A) – istezanje

Metode za određivanje funkcije članstva.

Malo više od 2. Od 0 do 5.
|x |0 |1 |2 |3 |4 |5 |
|n1 |- |- |- |10|8 |4 |
|n2 |10|10|10|- |2 |6 |

(A = n1 / (n1 + n2)

Metoda rangiranja.

Fuzzy varijabla.

(- naziv fuzzy varijable x – područje njene definicije

(A – značenje, fuzzy set definira semantiku fuzzy varijable

Lingvistička varijabla.

(- naziv lingvističke varijable

T – osnovni skup pojmova – formira imena rasplinutih varijabli
(rijetko, ponekad, često), koje su lingvističke varijable

X – nosilac lingvističkih značenja – domen definicije

G – sintaktički postupak

M – semantička procedura

Sintaksički postupak u obliku gramatičkih pojmova, čiji simboli čine pojmove iz postavljenih pojmova (i, ili, ne), modifikatora tipa
(veoma, malo, ne itd.)

(- frekvencija

T = (rijetko, ponekad, često)

Često

Takvi termini, zajedno sa originalnim, čine derivate termina skupa.

Semantičke procedure omogućavaju prepisivanje termo-fuzzy semantike.

M((1 ili (2) = (A1 ((A2

((1, x1, (A1)

((2, x2, (A2)

M((1 i (2) = (A1 ((A2

M(veoma() = con((A)

M(blago() = dil((A)

Scenario.

To je klasa okvirnih modela za predstavljanje znanja, gdje se znanje o redoslijedu radnji i događaja tipičnih za predmetnu oblast predstavlja u generaliziranom i strukturnom obliku. Razmotrimo stereotip - uzročni scenario - on određuje slijed radnji potrebnih za postizanje ciljeva; ovo je okvirni model.

(ime kcusa: ime slot1 (vrijednost slot1); slot2name(vrijednost slot2);

... ime slota n (vrijednost utora n))

(kcus actor ciljni glumac premise ključa posljedica ime sistema)

Premisa specificira radnje koje se moraju izvršiti prije ključne akcije da bi ona stupila na snagu. Posljedica je konačna radnja. Ime sistema je skripta.

(kcus “gašenje požara”: glumac (S:) cilj glumca (C: “zaustavljanje vatre”)

P11, P12 parcele (npr. „potraga za sredstvima za gašenje“ R1, „vozila za gašenje“)

K1 ključ (f: “upotreba sredstava za gašenje za potpuni prekid vatre”) posljedica (P: “prekid vatre”) naziv sistema (sys: cus*1))

R1 – biti ranije

(kcus „traga za sredstvima za gašenje”: akter (S:) cilj aktera (C: „pronalaženje sredstava za gašenje”)

P121, P22 parcele (također: “određivanje koordinata lokacije sredstva za gašenje požara” R1, “prelazak na lokaciju sredstva za gašenje požara”)

K2 ključ (f: "hvatanje sredstava za gašenje") posljedica (P: "nalazi se na lokaciji sredstava za gašenje") naziv sistema (sys: cus*2))

(kcus “prevoz sredstava za gašenje do mjesta požara”: akter (S:) cilj aktera (C: “dostava sredstava za gašenje do mjesta požara”)

P31, P32 parcele (odnosno: "raspoloživost sredstava za gašenje" R1, "određivanje koordinata lokacije požara")

K3 ključ (f: “premještanje na mjesto požara”) posljedica (P: “pronalaženje sredstava za gašenje na mjestu požara”) naziv sistema (sys: cus*3))

Poboljšanje znanja zasnovano na scenariju.

Slijed:

D = cus: P11 R1 cus: P12 R1 K1 =

P21R1P22R1K2 P31R1P32R1K3

P21R1P22R1K2 R1 P31R1P32R1K3 R1 K1

Premise definiraju radnje koje se moraju izvršiti prije ključne radnje i koje su neophodne za njeno djelovanje. Istraga je konačna akcija. Skripta imena sistema.

Dopunjavanje znanja na osnovu pseudofizičke logike.

P1 – sletanje aviona

P2 – opskrba ljestvicom

P3 – putnici napuštaju avion

P4 – dostava autobusom

P5 – dolazak na terminal aerodroma

Strukturu teksta na jezičkom nivou predstavlja sljedeća formula:

TS = PR4dt&P1R3 10,(P2&P2R1P3&P4R3 2,(P5 t = 15 sati 20 minuta

PR4dt , P1R3 10,(P2 (P2R4 dt + 10

P1R3 10,(P2 (P1R1P2

P4R3 2,(P5 (P4R1P5

TS* = P1R1P2& P1R1P3& P2R1P3& P4R1P5

Modeli i metode generalizacije znanja.

Generalizacija se odnosi na proces stjecanja znanja koje objašnjava postojeće činjenice, kao i sposobnost klasifikacije, objašnjenja i predviđanja novih činjenica. Početni podaci su predstavljeni uzorkom za obuku. Objekti se mogu podijeliti u klase. U zavisnosti od toga da li su apriorne podjele objekata na klase specificirane ili ne, modeli generalizacije se dijele na modele generalizacije po uzorcima i po klasama.

(+ = (01+, 02+…0nj+) – pozitivan uzorak.

Može se postaviti negativan uzorak (- = (01-, 02-…0ʹj-)

Potrebno je pronaći pravilo koje vam omogućava da odredite da li objekt pripada klasi Kj ili ne.

U modelima generalizacije podataka, uzorak je predstavljen skupom objekata klase. Metode generalizacije se dijele na metode generalizacije zasnovane na karakteristikama i strukturno-logičke metode generalizacije.

Z = (z1, z2, …, zr)

Zi = (zi1, zi2, …, zini)

Objekt karakterizira skup vrijednosti karakteristika Qi = (z1j1, z2j2, …, zrjr).

Strukturno-logičke metode generalizacije se koriste za predstavljanje znanja o objektima koji imaju unutrašnju strukturu među strukturno-logičkim metodama. Mogu se iznijeti dva smjera: induktivne metode normalnog računa i metode generalizacije na semantičkim mrežama.

Algoritam za generalizaciju koncepata na osnovu karakteristika.

Pravila za određivanje pripadaju li objekti određenoj klasi predstavljena su u nizu logičkih formula čiji su elementi hij i funkcije ((((((((

Z = (z1, z2) (spol, starost)

Z1 = (z11, z12) (m, f)

Z2 = (z21, z22, z23) (mladi, srednji, stari)

(j+ = (01+, 02+) (j- = (01-, 02-, 03-)

01+ = (z11, z21) 02+ = (z11, z22)

01- = (z11, z23) 02- = (z12, z21) 03- = (z12, z22)

&i hij - generalizovani konjunktivni koncept

0 = max(xij – 1/(i), gdje je 0 kriterij, xij je učestalost pojavljivanja određene vrijednosti neke karakteristike, (i je broj karakteristika.

0 = 3/5 – 1/2 = 0.1

(j+ = (01+, 02+) (j- = (01-)

(-1+ = 0 (-1- = {02-, 03-}

-----------------------

Situacija

Statički

Dynamic

Konstantna svojstva i odnosi

države

Održiv

Privremeno

Procesi

(pacijent 1, dijagnoza, kolitis, K760)
(pacijent 1, dijagnoza, gastritis, K740)

student

Nedefinirani objekt

Specifičan objekat

Materijalni objekat

Nematerijalni objekat

situacija

prostor

soba

oprema

studenti

administrativno osoblje

nastavnici

uslužno osoblje

diplomirani student

Šef odjela

Metodist

Profesore

asistent

laboratorijski asistent

prostor

provincija

lokalitet

radi

nastavnik

Ime kafića

zamjena

disciplina

Šifra grupe

Inženjering znanja

Nakon dizajniranja baze znanja i razvoja odgovarajućeg softvera ili odabira zadovoljavajućeg zahtjeva gotovo rešenje potrebno je stvoriti bazu znanja, popuniti je znanjem o predmetnoj oblasti i eventualno potrebnim činjenicama. Faza formiranja baze znanja inteligentnog sistema je kritična za funkcionisanje čitavog sistema u celini, jer ako implementacija utiče na moguće granice sposobnosti sistema, tada poznavanje sistema određuje njegove sposobnosti u rešavanju problema u predmetno područje.

Ova faza razvoja MIS-a naziva se faza sticanja znanja. Područje djelatnosti koje proučava probleme formiranja i popunjavanja baza znanja naziva se inženjering znanja.

Inženjering znanja- prilično mlado područje umjetne inteligencije, koje se pojavilo kada su se praktični programeri suočili s vrlo netrivijalnim problemima - teškoćama "izvlačenja" i formaliziranja znanja. U prvim knjigama o veštačkoj inteligenciji ove činjenice su obično samo postulirane; kasnije su ozbiljna istraživanja počela da identifikuju optimalne strategije za identifikaciju znanja. Istraživanja su dovela do pojave discipline inženjering znanja, i pojave nove specijalnosti – inženjer znanja, odnosno specijalista koji zna teorijsko znanje i praktične tehnike za izgradnju inteligentnih sistema, i što je najvažnije, obučeni za načine formiranja baza znanja inteligentnih sistema.

Predmetno znanje o inteligentnom sistemu može se preuzeti iz mnogih izvora, ali glavni izvor znanja o savremenim informacionim sistemima je stručnjak specijalista u predmetnoj oblasti. Inženjer znanja obično stiče znanje direktnom interakcijom sa stručnjakom. Ovaj proces se sastoji od dugog niza intenzivnih, sistematskih intervjua, koji obično traju više mjeseci. Tokom razgovora, inženjer znanja daje ekspertskim problemima za rješavanje koji su bliski stvarnim i istog tipa na koji je usmjeren ekspertski sistem koji se kreira. Inženjer znanja mora raditi sa stručnjakom, posmatrajući kako on odlučuje specifične zadatke. Rijetko je efikasan pristup u kojem se stručnjaku direktno postavljaju pitanja o njegovim pravilima ili metodama za rješavanje određene klase problema u njegovoj oblasti stručnosti. Stručnjaci obično imaju velikih poteškoća u formuliranju takvih pravila.

Čini se da „stručnjaci“ svoje zaključke i način na koji su došli do njih formulišu u opštim terminima koji su preširoki i nejasni za efektivnu kompjutersku analizu. Poželjnije je da računar radi na konkretnijem nivou, baveći se dobro definisanim delovima ulaznih informacija koje se mogu ugraditi u složenije prosudbe. Ali stručnjak rijetko radi na tako specifičnom nivou. On brzo skače na složene zaključke bez truda da pažljivo analizira i artikuliše svaki korak svog procesa rasuđivanja. Komadići početnog znanja su implicitne pretpostavke, a međusobno se kombinuju tako brzo da je stručnjaku teško opisati ovaj proces. Kada analizira problem, ne može lako opisati svaki korak, a možda čak nema ni predstavu o pojedinačnim koracima koji su poduzeti kako bi se pronašlo rješenje. On može pripisati intuiciji ili to nazvati predosjećanjem što se ispostavi da je rezultat vrlo složenog logičkog procesa zasnovanog na ogromnoj količini podataka zadržanih u njegovom pamćenju i bogatoj praksi. Nakon toga, kada objašnjava svoj zaključak ili slutnju, ponovit će samo glavne korake, često izostavljajući većinu malih koraka koji su mu se u tom trenutku možda činili očiglednim. Znati šta treba smatrati osnovnim i relevantnim i ne zahtijeva daljnju procjenu je ono što specijalistu čini „stručnjakom“. Ovaj aspekt prirode stručnjaka je pomalo neobičan. U praksi se to naziva paradoks ekspertize. U kontekstu razvoja inteligentnih sistema, nazvaćemo to paradoksom inženjeringa znanja:

Što stručnjaci postaju kompetentniji, to su manje sposobni da opišu znanje koje koriste za rješavanje problema!

Još gore, istraživanje je pokazalo da kada stručnjaci pokušavaju da objasne kako su došli do zaključka, oni često grade uvjerljive linije rezonovanja koje, međutim, malo liče na njihovo stvarno ponašanje u rješavanju problema. Ova karakteristika ima dvije važne posljedice. Evo prvog:

Stručnjacima je potrebna pomoć izvana kako bi razjasnili i eksplicitno izrazili svoj način razmišljanja i rješavanja problema. Ovo se može sažeti kao pravilo - ne budite sami sebi stručnjak!

Drugo heurističko pravilo upućeno inženjeru znanja:

Ne vjerujte svemu što kažu stručnjaci!

Iskusni inženjeri znanja razvijaju radne hipoteze na osnovu onoga što stručnjaci kažu i testiraju te hipoteze na ispravnost i dosljednost tražeći od stručnjaka da riješe nove probleme koji zahtijevaju hipotetično znanje. Inženjer znanja vjeruje da je dobio legitimno stručno pravilo ne zato što stručnjak jamči za tačnost pravila, već zato što stručnjak pokazuje primjenu tog pravila na rješavanje problema.

Ponekad se ponašanje stručnjaka čini više intuitivnim nego racionalnim. Činjenica je da je značajna količina znanja najvažniji preduvjet za stručnu vještinu. Međutim, znanje stručnjaka nije samo neorganizovana zbirka činjenica. Veliki broj primjera situacija služe kao pokazivači koji pomažu stručnjaku da u djeliću sekunde pristupi potrebnim dijelovima svoje rezerve znanja. Ova sposobnost korištenja obrazaca za vođenje procesa tumačenja i odlučivanja je možda veliki dio onoga što nazivamo fizičkom intuicijom.

Štoviše, stručnjak može koristiti potpuno različite metode i tehnike rada u različitim nestandardne situacije, te je izuzetno teško svjesno identificirati kriterije za korištenje različitih tehnika.

Terminologija inženjerstva znanja

Oblast znanja- ovo je uslovni neformalni opis osnovnih pojmova i odnosa između koncepata predmetne oblasti, identifikovanih iz sistema znanja stručnjaka, u obliku grafikona, dijagrama, tabele ili teksta.

Područje znanja, kao prvi korak ka formalizaciji, predstavlja model znanja o predmetnoj oblasti, u onom obliku u kojem je stručnjak mogao to izraziti na nekom „svom“ jeziku. Nećemo razmatrati probleme adekvatnog formiranja jezika za opisivanje predmetne oblasti u ovom kursu. Dobar izvor specijalizovanih informacija o ovoj temi je.

Područje znanja služi kao ključni alat za kasniju konstrukciju modela domene u bazi znanja.

Da nazovemo proces sticanja znanja (vrsta strategije koja je u ovom slučaju izabrana), u literaturi se raširilo nekoliko pojmova: sticanje, ekstrakcija, ekstrakcija, primanje, identifikacija, formiranje znanja. U stručnoj literaturi na engleskom jeziku uglavnom se koriste dvije: acquisition (sticanje) i elicitation (identifikacija, ekstrakcija, uspostavljanje).

Pojam „sticanje“ tumači se ili vrlo široko – tada uključuje cjelokupni proces prenošenja znanja sa eksperta na ES bazu znanja, ili kao metodu automatizirane izgradnje baze znanja kroz dijalog između stručnjaka i posebnog programa. (u ovom slučaju, struktura polja znanja je unapred utvrđena u programu). U oba slučaja, termin „sticanje“ se ne odnosi na samu misteriju izdvajanja strukture znanja iz toka informacija o predmetnoj oblasti. Ovaj proces je opisan konceptom “ekstrakcije”.

Ekstrakcija znanja(izvlačenje znanja) je postupak interakcije između stručnjaka i izvora znanja, usled čega proces rezonovanja stručnjaka prilikom donošenja odluke i struktura njihovih ideja o predmetnoj oblasti postaju eksplicitni.

Sticanje znanja(sticanje znanja) je proces popunjavanja baze znanja od strane stručnjaka pomoću specijalizovanog softvera (direktna interakcija informacionog informacionog sistema sa stručnjakom).

Termin generisanje znanja tradicionalno se pripisuje izuzetno perspektivnoj i aktivno razvijajućoj oblasti inženjerstva znanja, koja se bavi razvojem modela, metoda i algoritama za učenje. Uključuje induktivne modele formiranja znanja i automatsko generisanje hipoteza na osnovu trening uzoraka, učenja po analogiji i drugim metodama. Ovi modeli nam omogućavaju da identifikujemo uzročno-posledične empirijske veze u bazama podataka sa nepotpunim informacijama koje sadrže strukturirane numeričke i simboličke objekte (često pod uslovima nepotpunih informacija).

Generisanje znanja(mašinsko učenje) - proces analize podataka i identifikacije skrivenih obrazaca pomoću posebnih matematičkih alata i softvera.

Metode sticanja znanja

Inženjering znanja nudi određene metode (tehnike, metode) za rad sa stručnjacima.

Klasifikacija metoda rada sa stručnjacima

Komunikacijske metode podrazumijevaju sve vrste kontakata između inženjera znanja i živog izvora znanja – stručnjaka. Među ovim metodama postoje dvije velike grupe: aktivne i pasivne.

Pasivne metode podrazumijevaju da vodeća uloga u postupku ekstrakcije znanja pripada stručnjaku. U ovom slučaju, inženjer znanja uglavnom bilježi obrazloženje i postupke stručnjaka.

U aktivnim metodama inicijativa je u potpunosti u rukama inženjera znanja. On vodi razgovor sa stručnjakom, nudi razne „igre“, organizuje „ okrugli stol" itd.

Pasivne metode su na prvi pogled jednostavne. Istovremeno, zahtijevaju od inženjera znanja da može analizirati ekspertov „tok svijesti“ i identificirati vrijedne fragmente znanja u njemu.

Aktivne metode podijeljeni u dvije grupe u zavisnosti od broja stručnjaka koji učestvuju u postupku ekstrakcije znanja - U grupnim metodama veliki značaj vodi diskusiju između stručnjaka, u kojoj se često otkrivaju netrivijalni aspekti znanja. Istovremeno, individualne metode danas igraju vodeću ulogu. To je uglavnom zbog delikatnosti postupka „uklanjanja znanja“.

Rice. 1.31. Klasifikacija metoda rada sa stručnjacima

Pasivne metode

Zapažanja

Metoda posmatranja je jedina „čista“ metoda u kojoj se inženjer znanja ne miješa u radni proces stručnjaka i ne nameće mu nikakve vlastite ideje. Postoje dvije vrste zapažanja:

· Posmatranje stvarnog procesa.

· Posmatranje simulacije procesa.

Prvo, obično se koristi prvi tip i pravi proces se posmatra na radnom mestu stručnjaka. Ovo pomaže da se stekne dublje razumijevanje predmetne oblasti i zabilježe sve vanjske karakteristike procedure donošenja odluka neophodne za dizajniranje korisničkog interfejsa.

U drugoj fazi, stručnjak simulira proces. U ovom režimu je manje napet i radi na “dva fronta” - on vodi profesionalna aktivnost i istovremeno to demonstrira.

Posmatračke sesije postavljaju sljedeće zahtjeve pred inženjera znanja:

· Ovladavanje stenografskim tehnikama.

· Poznavanje vremenskih tehnika za jasno strukturiranje proizvodnog procesa u vremenu.

· Razvijene vještine „čitanja iz očiju“, odnosno zapažanja gestova, izraza lica i drugih neverbalnih komponenti komunikacije.

· Preliminarno poznavanje predmetne oblasti.

Protokoli posmatranja nakon sesija pažljivo se transkribuju, a zatim razgovaraju sa stručnjakom.

Analiza protokola za razmišljanje naglas

Prilikom snimanja naglasnih razmišljanja, od stručnjaka se traži da otkrije cijeli lanac rezonovanja koji objašnjava njegove postupke i odluke. Kod ovakvog snimanja smatra se da je važno snimiti ne samo cijeli „tok svijesti“ vještaka, već čak i pauze i domete u govoru vještaka. Ova metoda se ponekad naziva i "verbalni izvještaji".

Kada bilježi „misli naglas“, stručnjak se može izraziti što je jasnije moguće. Ništa ga ne sputava, niko mu ne smeta, čini se da slobodno lebdi u toku vlastitih rasuđivanja i zaključaka, može pokazati svoju erudiciju i pokazati dubinu znanja. Za veliki broj eksperti je najprijatniji i najlaskaviji način za sticanje znanja.

Istovremeno, kao što je gore navedeno, nije svaki specijalista, čak i oni koji mogu izgovoriti impresivne monologe o svom radu, u stanju formalizirati i strukturirati rasuđivanje. Međutim, postoje ljudi koji su skloni razmišljanju i sposobni su konstruktivno izraziti svoje misli. Takvi ljudi su božji dar za inženjera znanja.

Dar predavanja je rijedak. Iskusan predavač dobro strukturira svoje znanje i rasuđivanje. Ali dešava se da neki ljudi imaju vještinu predavanja

ni za šta, ali nisu svjesni njegovog prisustva. U svakom slučaju, inženjer sa znanjem treba da pokuša da zbuni stručnjaka pripremajući predavanje na temu od interesa. Ako je stručnjak u stanju da prevaziđe određenu psihološku barijeru i uđe u imidž nastavnika, to može biti veoma efikasno u rešavanju problema izvlačenja znanja.

Važno je dobro pitanje inženjera znanja tokom predavanja. Ozbiljna, duboka i zanimljiva pitanja, s jedne strane, podstiču kreativnu maštu predavača, as druge, podižu autoritet inženjera znanja.

Metoda izvlačenja znanja u obliku predavanja, kao i sve pasivne metode, koristi se na početku višestepenog postupka izvlačenja znanja iz memorije stručnjaka. Olakšava inženjeru znanja brzo uranjanje u predmetnu oblast.

Aktivne individualne metode

Upitnik

Upitnici su najstandardizovanija metoda. Sastavljanje upitnika je prilično delikatan i odgovoran trenutak. Evo nekoliko preporuka:

· upitnik ne bi trebao biti monoton i monoton, kako ne bi izazivao dosadu i umor. Da biste to učinili, pitanja moraju varirati, teme se moraju mijenjati. Osim toga, u upitnik se često ubacuju posebna pitanja iz šale i igre;

· upitnik mora biti prilagođen jeziku stručnjaka;

· Treba uzeti u obzir da pitanja utiču jedno na drugo. Stoga redoslijed pitanja mora biti dobro osmišljen;

· profil mora imati “dobre manire”. Mora biti predstavljen jasnim, razumljivim i izuzetno ljubaznim jezikom. Metodološka vještina sastavljanja upitnika može se savladati samo kroz praksu.

Procedura anketiranja može se provesti na dva načina. U prvom, analitičar postavlja pitanja naglas i sam popunjava upitnik na osnovu odgovora stručnjaka. U drugom, stručnjak samostalno popunjava upitnik nakon preliminarnih uputstava.

Izbor metode zavisi od niza uslova (posebno od dizajna upitnika, njegove razumljivosti i spremnosti stručnjaka). U isto vrijeme, drugi metod se čini poželjnijim, jer stručnjak ima neograničeno vrijeme za razmišljanje o pitanjima i smanjen je takozvani efekat prisustva.

Intervju

Prije nego obavite intervju, dobra je ideja da se zapitate: „Jesmo li dobri u postavljanju pitanja?“ Razmotrimo klasifikaciju pitanja.

Fig.1.32. Klasifikacija pitanja

Otvori pitanje identifikuje temu ili predmet, dajući stručnjaku slobodu u formi i sadržaju odgovora.

At zatvoreno U pitanju se ekspertu nudi niz odgovora od kojih on mora napraviti izbor.

Zatvorena pitanja se lakše obrađuju, ali u određenoj mjeri „programiraju“ odgovor stručnjaka i „zatvaraju“ tok njegovog rasuđivanja. Stoga, prilikom izrade scenarija intervjua, obično izmjenjuju otvorena i zatvorena pitanja i posebno pažljivo promišljaju „meni“ i sadržaj zatvorenih pitanja.

Privatno pitanje se poziva na individualno iskustvo stručnjaka. Lična pitanja obično aktiviraju mišljenje stručnjaka, „igraju“ se na njegov ponos i ukrašavaju intervju.

Bezličan Pitanje je usmjereno na identifikaciju najčešćih i opšteprihvaćenih obrazaca predmetnog područja.

Kada pripremate pitanja, uzmite u obzir da su jezične sposobnosti stručnjaka obično ograničene. Uz to, imaju na umu da zbog izolovanosti, sputanosti i stidljivosti neki stručnjaci ne mogu odmah da iznesu svoje mišljenje i pruže potrebna znanja. Stoga često koriste ne direktna pitanja koja direktno ukazuju na predmet ili temu, već indirektna pitanja koja indirektno usmjeravaju pažnju na trenutni problem. Ponekad je, u interesu slučaja, potrebno postaviti nekoliko indirektnih pitanja umjesto jednog direktnog.

Verbalno Pitanja su tradicionalna usmena pitanja.

Pitanja koristeći vizuelni materijal diverzificirati intervjue i smanjiti zamor stručnjaka. Kao vizuelni materijal koriste se fotografije, crteži i kartice.

Podjela pitanja po funkciji na osnovni, sondirajući i kontrolni To je zbog činjenice da se stručnjak često iz nekog razloga udaljava od pitanja i glavna pitanja intervjua se ispostavljaju neproduktivnima. Tada analitičar koristi probna pitanja koja usmjeravaju pažnju stručnjaka u pravom smjeru. Kontrolna pitanja koristi se za provjeru pouzdanosti i objektivnosti primljenih informacija.

Neutralno pitanja su nepristrasna. U isto vrijeme, sugestivan pitanja prisiljavaju stručnjaka da sasluša ili čak uzme u obzir stav anketara.

Pored onih navedenih u klasifikaciji, korisno je razlikovati i uključiti sljedeće vrste pitanja u intervjue:

· kontakt („probijanje leda“ između analitičara i stručnjaka); O puferi (za razliku između različitih tema intervjua);

· oživljavanje pamćenja stručnjaka (za rekonstrukciju pojedinačnih slučajeva iz prakse);

· „provociranje“ (za dobijanje spontanih, nepripremljenih odgovora).

Slobodan dijalog

U slobodnom dijalogu između inženjera znanja i stručnjaka nema uređenog plana. Međutim, ovaj oblik izvlačenja znanja zahtijeva najozbiljniju preliminarnu pripremu.

Rice. 1.33. Šema pripreme za intervjue i slobodan dijalog

Vješta priprema za dijalog je prava dramaturgija. Njeni scenariji omogućavaju nesmetan razvoj procedure za izvlačenje znanja od prijatnog utiska na početku razgovora do profesionalnog kontakta kroz izazivanje interesovanja i sticanje poverenja stručnjaka.

Da bi se osigurala želja stručnjaka da nastavi razgovor, obično se izvode "udarci" kao što su: "Razumem te...", "...Ovo je vrlo interesantno" itd. U ovom slučaju, ponašanje analitičara mora biti iskreno. , jer je odavno poznato da je najbolji trik - izbegavati bilo kakve trikove i odnositi se prema sagovorniku sa istinskim poštovanjem i pravim interesovanjem.

Postoji katalog karakteristika idealnog anketara: „Treba da izgleda zdravo, smireno, samouvereno, da uliva poverenje, da bude iskren, veseo, da pokazuje interesovanje za razgovor, da bude uredno odeven, njegovan.

Igre sa stručnjakom

U stručnim igrama, inženjer znanja preuzima ulogu u simuliranoj situaciji. Na primjer, to može biti uloga učenika, koji pred stručnjakom (Nastavnikom), ispravljajući učenika, izvodi rad na zadatu temu. Ova igra je dobar način da navedete stidljivog stručnjaka na razgovor.

Drugi primjer je igra Specijalist (inženjer znanja) i Konsultant (ekspert). Ova igra ponekad daje impresivne rezultate. Navedimo primjer iz klasične književnosti. Stručnjak je djelovao kao ljekar koji je dobro poznavao pacijenta, a konsultant je postavljao pitanja i predviđao preporučljivost primjene određene vrste liječenja. Ova igra je omogućila da se utvrdi da je za uspješnu prognozu potrebno samo 30 pitanja, dok je originalna verzija upitnika koji su sastavili ljekari sadržavala 170 pitanja.

Za identifikaciju skrivenih slojeva znanja koristi se igra u kojoj stručnjak predviđa predviđanja u profesionalnim situacijama i daje razloge za njih. Zatim, nakon određenog vremena, specijalistu se predoče vlastita opravdanja i od njega se traži da na osnovu njih napravi predviđanja. Kako se ispostavilo, tako jednostavna tehnika često omogućava otkrivanje promašenih koraka u mišljenju stručnjaka.

U igri fokusa na kontekst ekspert igra ulogu ekspertskog sistema, a inženjer znanja ulogu korisnika. Simulirana je situacija konsultacija. Prve reakcije stručnjaka koncentrisane su oko najznačajnijih koncepata i najvažnijih aspekata problema.

Općenito, u vezi igara sa stručnjakom, inženjeru znanja se daje sljedeći osnovni savjet:

· Igrajte hrabrije, sami izmišljajte igrice.

· Nemojte forsirati igru na stručnjaka ako nije sklon.

· Ne vršite pritisak na stručnjaka, ne zaboravite na golove igre.

· Ne zaboravite na vrijeme i da je igra zamorna za stručnjaka.

· Igrajte na zabavan, nekonvencionalan način.

Aktivan grupne metode

Aktivne grupne metode same po sebi ne mogu poslužiti kao izvor manje ili više cjelovitog znanja. Djeluju kao dodatni i služe kao dobar dodatak individualnim metodama izvlačenja znanja, aktivirajući razmišljanje i ponašanje stručnjaka.

"Okrugli stol"

Metoda okruglog stola podrazumijeva ravnopravnu diskusiju nekoliko stručnjaka o problemu od interesa. Svrha diskusije je da se kolektivno, sa različitih gledišta, iz različitih uglova, istraže kontroverzna pitanja u predmetnoj oblasti. Da začine, predstavnici raznih naučnim pravcima i generacije. Broj učesnika diskusije obično se kreće od tri do pet do sedam.

Prije nego započne diskusiju, voditelj (inženjer znanja) treba da se uvjeri da svi učesnici pravilno razumiju zadatak. Zatim morate uspostaviti propise i jasno formulisati temu.

Kako diskusija odmiče, važno je osigurati da pretjerano emotivni i pričljivi stručnjaci ne mijenjaju temu i da je kritika međusobnih stavova opravdana. Voditelj mora uložiti određene napore da smanji „efekat fasade“, kada prevlada želja učesnika da impresioniraju druge i kažu nešto sasvim drugačije od onoga što bi rekli u normalnoj situaciji.

"Brainstorm"

“Brainstorming” ili “napad mozgom” jedna je od najpopularnijih metoda emancipacije i aktivacije ljudsko razmišljanje. Ovu metodu je prvi put 1939. godine upotrijebio A. Osborne u SAD-u za generiranje novih ideja.

Glavna tačka jurišanja je odvajanje postupka generisanja ideja u zatvorenoj grupi stručnjaka od procesa njihove analize i evaluacije. Uobičajeno trajanje napada je oko 40 minuta. Broj učesnika - do 10 osoba. Ovi učesnici su pozvani da izraze bilo koje misli o datoj temi, uključujući duhovite, fantastične i pogrešne. Kritika je zabranjena. Vremensko ograničenje: do 2 minuta po prezentaciji.

Iz iskustva je poznato da broj izraženih ideja često prelazi 50. Najznačajniji momenat napada je početak vrhunca (uzbuđenja), kada ideje počinju doslovno „šikljati“. Naknadna analiza, koju je obavila grupa vanjskih stručnjaka, obično pokazuje da je samo 10-15% ideja razumno, ali neke od njih su prilično originalne.

Umjetnost brainstorminga inženjera znanja leži u sposobnosti postavljanja pitanja publici, zagrijavajući publiku. Pitanja služe kao neka vrsta "kuke" pomoću koje se izvlače ideje.

Igre igranja uloga u grupi

U svakoj grupnoj igri unaprijed se izrađuje scenario, dodjeljuju uloge, pripremaju portreti i opisi uloga, razvija se sistem ocjenjivanja igrača.

Poznato je da se izvode različite metode igre uloga. U nekim igrama učesnici smišljaju nova imena za sebe i nastupaju pod njima. U drugim, svi igrači prelaze na „ti“. U trećem, uloge biraju igrači, u četvrtom se izvlači ždrijeb za raspodjelu uloga.

Uobičajeno, tri do šest stručnjaka učestvuje u igri dizajniranoj za sticanje znanja: U slučaju više stručnjaka, oni su podeljeni u grupe između kojih se organizuje takmičenje: čija će dijagnoza biti bliža pravoj, čiji plan efikasnije koristi resurse, koji će brzo identifikovati kvar u tehničkoj jedinici itd.

Stvaranje okruženja za igru zahtijeva maštu i izum inženjera znanja. Najvažnije je da se stručnjaci u igri što više udube u situaciju, zaista „igraju“, opuste se i „otkriju svoje karte“.

Uslovi za inženjera znanja

Završavajući ovaj kratki pregled zaista ogromnog područja inženjerstva znanja, napominjemo niz osnovnih zahtjeva za inženjera znanja.

· Inženjer znanja mora imati dobru teorijsku obuku u oblasti modela predstavljanja znanja kako bi optimalno odabrao i iskoristio mogućnosti modela predstavljanja znanja za rješavanje datog problema.

· Iako to ranije nije eksplicitno rečeno, iz prezentacije materijala jasno je da inženjer znanja mora imati odlične komunikacijske vještine i imati određena znanja iz psihologije komunikacije kako bi mogao produktivno raditi sa stručnjacima.

· Inženjer znanja mora imati sistemsko razmišljanje i ovladati metodama analize predmetne oblasti i metodama kognitivne psihologije.

· Imati sveobuhvatnu opštu naučnu obuku i tečno poznavanje metoda naučno istraživanje, formalne metode opisa i dokumentiranja.

· Biti tečno u oblasti informacionih tehnologija.

Uloga inženjera znanja u razvoju inteligentnih informacionih sistema često je ključna za uspeh sistemskog projekta. Inženjeri znanja po pravilu postaju specijalisti - programeri softvera i analitičari koji posjeduju potrebne vještine i sklonosti. Napominjemo u zaključku da je uloga inženjera znanja po mnogo čemu slična funkcijama analitičara i stručnjaka za implementaciju u razvoju konvencionalnih informacionih sistema.

Strategije pretraživanja u POPs

Povezane informacije.

17.2. Metode izvlačenja praktičnih znanja

17.3. Strukturiranje znanja

Centralni problem u stvaranju inteligentnih informacionih tehnologija je adekvatna zastupljenost znanja stručnjaka u memoriji računara. To je dovelo do razvoja novog pravca u računarskoj nauci – inženjerstva znanja, gde se utvrđuje odnos između ljudskog znanja i njegovog formalizovanog (informacionog) prikaza u računaru. Inženjering znanja proučava i razvija pitanja vezana za sticanje znanja, njegovu analizu i formalizaciju za dalju implementaciju u inteligentni sistem.

Svrha poglavlja– dati pregled glavnih teoretskih aspekata inženjeringa znanja i uvesti neke praktične metode rada kao inženjera znanja.

Nakon proučavanja ovog poglavlja trebali biste znati:

Pristupi sticanju znanja prilikom razvoja ekspertnih sistema

Teorijski problemi koji se javljaju u pronalaženju znanja

Osobine psiholoških i lingvističkih faktora koje treba uzeti u obzir kod inženjera znanja

Uticaj filozofije znanja na rad inženjera znanja

Metode inženjera znanja pri radu sa izvorom znanja

Metode izvlačenja znanja

Suština stručnih igara

Metode izvlačenja znanja iz tekstova

Strukturiranje stečenog znanja

Formiranje konceptualne i funkcionalne strukture predmetne oblasti

Kako se znanje formalizira i formira baza znanja?

17.1. Teorijski aspekti sticanja znanja

Strategije sticanja znanja

Psihološki aspekt

Lingvistički aspekt

Epistemološki aspekt

STRATEGIJE ZA STICANJE ZNANJA

Postoji nekoliko strategija za sticanje znanja. Najčešći:

akvizicija;

ekstrakcija;

formiranje.

Ispod sticanje znanja razumije metodu automatizirane izgradnje baze znanja kroz dijalog između stručnjaka i posebnog programa (u ovom slučaju struktura znanja je unaprijed ugrađena u program). Ova strategija zahtijeva značajnu preliminarnu studiju predmetne oblasti. Sistemi za sticanje znanja zapravo stiču gotove delove znanja u skladu sa strukturama koje su postavili programeri sistema. Većina ovih alata je posebno fokusirana na specifične ekspertne sisteme sa strogo definisanim predmetnim područjem i modelom predstavljanja znanja, tj. nisu univerzalni. Na primjer, TEIRESIAS sistem, koji je postao rodonačelnik svih alata za sticanje znanja, namijenjen je za dopunu baze znanja MYCIN sistema ili njegovih podružnica, izgrađenih na EMYCIN „ljusci“ u oblasti medicinske dijagnostike koristeći proizvodnju model reprezentacija znanje.

Termin ekstrakcija znanja tiče se direktnog živog kontakta između inženjera znanja i izvora znanja. Autori imaju tendenciju da ovaj termin koriste kao prostranije i preciznije izražajnije značenje postupka prenošenja kompetencije stručnjaka preko inženjera znanja u bazu znanja ekspertskog sistema.

Termin formegoresticanje znanja je tradicionalno svrstan u izuzetno perspektivnu i aktivno razvijajuću oblast inženjerstva znanja, koja se bavi razvojem modela, metoda i algoritama za analizu podataka za sticanje i učenje znanja. Ovo područje uključuje induktivne modele za generiranje hipoteza iz uzoraka za obuku, učenje po analogiji i druge metode.

Dakle, možemo izdvojiti tri strategije za provođenje faze sticanja znanja u razvoju ekspertnih sistema (slika 17.1).

Rice. 17.1. Tri strategije za sticanje znanja

U sadašnjoj fazi razvoja ekspertnih sistema u našoj zemlji, strategija izvlačenja znanja je očigledno najrelevantnija, jer na domaćem tržištu softvera praktično ne postoje industrijski sistemi za sticanje i formiranje znanja.

Ekstrakcija znanja– ovo je postupak interakcije između stručnjaka i izvora znanja, usled čega proces rezonovanja stručnjaka prilikom donošenja odluke i struktura njihovih ideja o predmetnoj oblasti postaju eksplicitni.

Trenutno, većina programera ekspertnih sistema primećuje da proces ekstrakcije znanja ostaje najveće usko grlo u izgradnji industrijskih sistema.

Proces ekstrakcije znanja je duga i radno intenzivna procedura u kojoj inženjer znanja, naoružan posebnim znanjima iz kognitivne psihologije, analize sistema, matematičke logike itd., treba da ponovo kreira model predmetne oblasti koji stručnjaci koriste za izradu odluke. Često, početnici u razvoju ekspertnih sistema, želeći da izbegnu ovu bolnu proceduru, postavljaju pitanje: može li stručnjak izvući znanje iz sebe? Iz mnogo razloga ovo je nepoželjno.

Prvo, većina znanja stručnjaka rezultat je brojnih slojeva, faza iskustva. I često znajući to od A trebalo bi IN, stručnjak ne shvata da je njegov lanac rasuđivanja bio mnogo duži, na primer WITH D, D  AA IN, ili A Q, Q  R, R  B.

Drugo, kao što su stari znali (sjetite se Platonovih „Dijaloga“), mišljenje je dijaloško. Stoga je dijalog između inženjera znanja i stručnjaka najprirodniji oblik „odmotavanja“ lavirinta pamćenja stručnjaka, u kojem se pohranjuje znanje, dijelom neverbalne prirode, tj. izraženo ne u obliku riječi, u obliku vizualnih slika, na primjer. Upravo u procesu objašnjavanja inženjeru znanja ekspert stavlja jasne verbalne oznake na ove zamućene asocijativne slike, tj. verbalizuje znanje.

Treće, stručnjaku je mnogo teže napraviti model predmetne oblasti zbog dubine i obimnosti informacija koje posjeduje. Brojne uzročno-posledične veze realnog predmetnog područja čine složen sistem, iz kojeg je izolovanje „kostura“, odnosno glavne strukture, ponekad pristupačnije analitičaru koji poseduje i sistematsku metodologiju: Svaki model je pojednostavljenje, i lakše je pojednostaviti sa manje znanja o detaljima.

Da bismo razumeli prirodu ekstrakcije znanja, ističemo tri glavna aspekta ovog postupka (slika 17.2): psihološki, lingvistički, epistemološki, koji su detaljno opisani u.

Rice. 17.2. Ključni aspekti preuzimanja znanja

PSIHOLOŠKI ASPEKT

Komunikacijski model za pronalaženje znanja

Od tri identifikovana aspekta ekstrakcije znanja psihološki je, naizgled, glavna stvar, jer određuje uspješnost i efikasnost interakcije između inženjera znanja (analitičara) i glavnog izvora znanja – profesionalnog stručnjaka. Psihološki aspekt ističemo i zbog toga što se izvlačenje znanja najčešće dešava u procesu direktne komunikacije između programera sistema.

Želja i sposobnost komunikacije mogu okarakterisati stepen profesionalnosti inženjera znanja.

Poznato je da su gubici informacija tokom konverzacijske komunikacije veliki (slika 17.3). S tim u vezi, razmotrićemo problem povećanja informativnog sadržaja komunikacije između analitičara i stručnjaka kroz korišćenje psiholoških znanja.

Rice. 17.3. Gubitak informacija tokom komunikacije

Možemo predložiti sljedeći strukturalni model komunikacije prilikom izvlačenja znanja:

učesnici u komunikaciji (partneri);

sredstva komunikacije (procedura);

predmet komunikacije (znanja).

U skladu sa ovom strukturom, izdvojićemo tri „sloja“ psiholoških problema koji nastaju prilikom izvlačenja znanja (slika 17.4) i razmotriti ih uzastopno.

Rice. 17.4. Struktura psihološkog aspekta ekstrakcije znanja

kontaktni sloj

Gotovo svi psiholozi primjećuju da na svaki kolektivni proces utiče atmosfera koja nastaje u grupi učesnika. Postoje eksperimenti čiji rezultati neosporno pokazuju da prijateljska atmosfera u timu ima veći uticaj na rezultat od individualnih sposobnosti pojedinih članova grupe. Posebno je važno da razvojni tim razvija kooperativne, a ne kompetitivne odnose. Saradnju karakteriše atmosfera saradnje, uzajamne pomoći, interesovanja za uspehe jednih drugih, tj. nivo moralne komunikacije, a za odnose takmičarskog tipa – atmosfera individualizma i međuljudskog rivalstva (niži nivo komunikacije).

Nažalost, nemoguće je predvidjeti kompatibilnost u komunikaciji sa 100% garancijom. Međutim, moguće je identifikovati niz osobina ličnosti, karaktera i drugih karakteristika učesnika u komunikaciji, koje nesumnjivo utiču na efikasnost postupka. Poznavanje ovih psiholoških obrazaca dio je psihološke kulture koju inženjer znanja mora imati da bi uspješno izvršio fazu ekstrakcije znanja:

dobra volja i ljubaznost;

smisao za humor;

dobro pamćenje i pažnja;

posmatranje;

maštovitost i upečatljivost;

veća koncentracija i upornost;

društvenost i snalažljivost;

analitičnost;

atraktivan izgled i način oblačenja;

samopouzdanje.

Proceduralni sloj

Inženjer znanja koji je uspješno savladao nauku povjerenja i odnosa sa stručnjakom (kontaktni sloj) i dalje mora biti u stanju da iskoristi blagotvorne efekte ove atmosfere. Problemi proceduralnog sloja tiču se samog postupka ekstrakcije znanja. Malo je uvida i šarma korisnih za rješavanje problema kontakta, ovdje je potrebno stručno znanje.

Hajde da se zadržimo na opštim principima postupka.

Razgovor sa stručnjakom najbolje je voditi u maloj tête-à-tête sobi. Osvetljenje, toplina, udobnost direktno utiču na vaše raspoloženje. Čaj ili kafa će stvoriti prijateljsku atmosferu. Američki psiholog I. Atwater smatra da je za poslovnu komunikaciju najpovoljnija udaljenost od 1,2 do 3 m. Minimalna "udobna" udaljenost može se smatrati 0,7 - 0,8 m.

Rekonstrukcija vlastitog rasuđivanja nije lak posao, pa stoga trajanje jedne sesije obično ne prelazi 1,5 - 2 sata. Bolje je izabrati ova dva sata u prvoj polovini dana (npr. od 10 do 12 sati). sat). Poznato je da se obostrani zamor partnera tokom razgovora obično javlja nakon 20 - 25 minuta, pa su u sesiji potrebne pauze.

Svaki inženjer znanja ima svoj jedinstveni način govora. Neki govore brzo, drugi sporo; neki su glasni, drugi tihi itd. Gotovo je nemoguće promijeniti stil razgovora – on je ukorijenjen u čovjeku rano djetinjstvo. Međutim, izvlačenje znanja je profesionalan razgovor, a na njegov uspjeh utiče i dužina fraza koje inženjer znanja govori.

Ovu činjenicu su utvrdili američki naučnici - lingvist Ingve i psiholog Miller. Pokazalo se da osoba najbolje percipira rečenice sa dubinom (ili dužinom) od 7 plus ili minus 2 riječi. Ovaj broj (7+2) naziva se Yngve-Millerov broj. Može se smatrati mjerom „kolokvijalnosti“ govora.

Niko ne sumnja u potrebu da se uredi procedura za izvlačenje znanja. Postavlja se pitanje: u kom obliku to treba učiniti? Postoje tri načina za snimanje rezultata:

snimanje na papir direktno tokom razgovora (nedostaci - ovo često ometa razgovor, osim toga, teško je imati vremena da sve zapišete, čak i ako imate vještine stenografije);

magnetofonsko snimanje, koje pomaže analitičaru da analizira čitav tok sesije i svoje greške (nedostatak - može ometati stručnjaka);

memorisanje praćeno snimanjem nakon razgovora (mana - pogodno samo za analitičare sa sjajnim pamćenjem).

Kognitivni sloj

Kognitivna psihologija (eng. cognition) proučava mehanizme pomoću kojih osoba razumije svijet oko sebe.

Ponudimo nekoliko savjeta inženjeru znanja iz perspektive kognitivne psihologije:

ne nameću stručnjaku model reprezentacije koji je njemu (analitičaru) razumljiviji i prirodniji;

koristiti različite metode rada sa stručnjakom na osnovu uslova da metoda odgovara stručnjaku kao „ključ od brave“;

jasno razumiju svrhu postupka ekstrakcije ili njegovu glavnu strategiju, koja se može definirati kao identificiranje glavnih koncepata predmetne oblasti i odnosa koji ih povezuju;

češće crtati dijagrame koji odražavaju mišljenje stručnjaka. To je zbog figurativnog predstavljanja informacija u ljudskom pamćenju.

Gore predstavljeni materijal usko je povezan sa osnovama psihološke kulture, koja uključuje razumijevanje i poznavanje sebe i drugih ljudi; adekvatno samopoštovanje i procena drugih ljudi; samoregulacija mentalnog stanja. Lakše je savladati ovu kulturu uz pomoć stručnjaka - psihologa, psihoterapeuta, ali to možete učiniti sami uz pomoć knjiga, barem popularnih, na primjer. Osim toga, savladavanje osnova glume i sudjelovanje u posebnim časovima socio-psihološkog video treninga doprinosi uspješnom prevazilaženju psihičkih neuspjeha.

U zaključku, evo nekoliko tradicionalnih psiholoških neuspjeha analitičara početnika:

nedostatak kontakta između stručnjaka i inženjera znanja (zbog psiholoških karakteristika jednog ili drugog; grešaka u postupku; pojava „fasadnog“ efekta, odnosno želje stručnjaka da se „pokaže“);

nerazumijevanje (zbog efekta „projekcije“, tj. prenošenja gledišta analitičara na stavove stručnjaka; ili efekta „reda“, tj. fokusiranja pažnje prvenstveno na ono što je prvo izraženo, itd.);

niska efikasnost razgovora (slaba motivacija stručnjaka, odnosno nezainteresovanost; ili loš tempo razgovora; ili neodgovarajući oblik pitanja; ili nezadovoljavajući odgovori stručnjaka).

LINGVISTIČKI ASPEKT

Struktura lingvističkog aspekta

Budući da je proces komunikacije između inženjera znanja i stručnjaka jezička komunikacija, razmotrimo lingvistički aspekt inženjering znanja. Istaknimo tri sloja lingvističkih problema važnih za inženjersko znanje (slika 17.5).

Rice. 17.5. Struktura lingvističkog aspekta pronalaženja znanja

Problem sa zajedničkim kodom

Većina psihologa i lingvista vjeruje da je jezik glavno sredstvo mišljenja, zajedno s drugim znakovnim sistemima „unutrašnje upotrebe“. Jezici kojima govore i misle analitičar i stručnjak mogu se značajno razlikovati.

Dakle, zanimaju nas dva jezika - jezik analitičara, koji se sastoji od tri komponente:

pojmove predmetne oblasti koje je naučio iz stručne literature u pripremnom periodu;

opšta naučna terminologija iz njegovog „teorijskog prtljaga“;

svakodnevni govorni jezik koji koristi analitičar;

i jezik ekspert koji se sastoji od:

iz posebne terminologije usvojene u predmetnoj oblasti;

opšta naučna terminologija; svakodnevni jezik;

neologizmi koje je stručnjak stvorio tokom svog rada (njegov profesionalni žargon).

Ako pretpostavimo da se svakodnevni i općenito znanstveni jezici dvaju sudionika u komunikaciji približno poklapaju, onda neki zajednički jezik, ili kod koji partneri trebaju razviti za uspješnu interakciju, sastojat će se od tokova predstavljenih na Sl. 17.6. Potom se ovaj opšti kod transformiše u određenu konceptualnu (semantičku) mrežu, koja je prototip polja znanja predmetne oblasti.

Rice. 17.6.Šema za dobijanje zajedničkog koda

Razvoj zajedničkog koda počinje tako što analitičar zapisuje sve termine koje stručnjak koristi i pojašnjava njihovo značenje. Zapravo, ovo je kompilacija rječnika predmetne oblasti. Nakon toga slijedi grupisanje pojmova i odabir sinonima (riječi koje znače istu stvar). Razvoj zajedničkog koda završava se sastavljanjem rječnika pojmova predmetne oblasti sa njihovim preliminarnim grupisanjem po značenju, tj. konceptualnom blizinom (ovo je prvi korak u strukturiranju znanja).

Rice. 17.7 daje ideju o dvosmislenosti u tumačenju pojmova od strane dva stručnjaka. U semiotici, nauci o znakovnim sistemima, problem interpretacije je jedan od centralnih. Interpretacija povezuje “znak” i “označeni objekt”. Samo kroz tumačenje znak dobija značenje. Dakle, na sl. 17.7 riječi "uređaj X" za stručnjaka označavaju neko specifično kolo koje odgovara kolu originalnog uređaja, ali u glavi analitičara početnika riječi "uređaj X" evociraju praznu sliku ili neku vrstu "crne kutije" sa ručkama.

Rice. 17.7. Dvosmislenost problema interpretacije

Konceptualna struktura

Većina stručnjaka za umjetnu inteligenciju i kognitivnu psihologiju vjeruje da je glavna karakteristika prirodne inteligencije i posebno pamćenja povezanost svih koncepata u mrežu. Stoga, da biste razvili bazu znanja, nije vam potreban rečnik, već enciklopedija u kojoj su svi pojmovi objašnjeni u rečničkim unosima sa vezama na druge termine.

Dakle, lingvistički rad inženjera znanja na datom sloju problema je da konstruiše takve povezane fragmente „šivanjem“ termina. Pažljivim radom analitičara i stručnjaka, u konceptualnim strukturama počinje da nastaje hijerarhija koncepata, što je općenito u skladu s rezultatima kognitivne psihologije.

Hijerarhija koncepata je globalna shema koja može biti osnova za konceptualnu analizu strukture znanja bilo koje predmetne oblasti.

Treba naglasiti da posao sastavljanja rječnika i konceptualne strukture zahtijeva lingvistički „osjećaj“, lakoću manipulacije pojmovima i bogat vokabular inženjera znanja, budući da je analitičar često primoran da samostalno razvija rječnik karakteristika. Što je zajednički kod bogatiji i izražajniji, to je baza znanja potpunija.

Analitičar je prisiljen stalno pamtiti poteškoće u prenošenju slika i ideja u verbalnom obliku. Često inženjer znanja mora da predloži riječi i izraze stručnjaku.

Korisnički rječnik

Lingvistički rezultati, u korelaciji sa slojevima zajedničkog koda i konceptualne strukture, imaju za cilj stvaranje adekvatne baze znanja. Međutim, ne treba zaboraviti da mu profesionalni nivo krajnjeg korisnika možda neće dozvoliti da u potpunosti koristi jezik specifičan za domenu. Za razvoj korisničkog interfejsa neophodno je dodatno usavršavanje rečnika zajedničkog koda, prilagođenog pristupačnosti i „transparentnosti“ sistema.

U zaključku navodimo karakteristične jezičke neuspjehe koje čekaju inženjera znanja početnika:

govorenje različitih jezika (zbog loše obučenosti inženjera znanja);

neusklađenost sa kontekstom i neadekvatno tumačenje pojmova (zbog nedostatka povratnih informacija, odnosno previše samostalnog rada inženjera znanja);

nedostatak razlika između opšteg koda i jezika korisnika (ne uzimaju se u obzir razlike u nivou znanja stručnjaka i korisnika).

GNOSEOLOŠKI ASPEKT

Suština epistemološkog aspekta

Epistemologija je grana filozofije povezana sa teorijom znanja, odnosno teorijom odraza stvarnosti u ljudskoj svijesti.

Inženjerstvo znanja kao nauka, da tako kažemo, je dvostruko epistemološka – stvarnost (O) se prvo ogleda u svesti stručnjaka (M 1), a zatim se aktivnosti i iskustvo stručnjaka tumače svešću inženjera znanja. (M 2), koja već služi kao osnova za konstrukciju trećih interpretacija (P z) – polja znanja ekspertskog sistema (Sl. 17.8). Proces spoznaje je u suštini usmjeren na stvaranje unutrašnje reprezentacije svijeta koji ga okružuje u ljudskom umu.

Rice. 17.8. Epistemološki aspekt ekstrakcije znanja

U procesu ekstrakcije znanja, analitičara uglavnom zanima komponenta znanja povezana sa nekanonskim individualnim znanjem stručnjaka, jer se predmetne oblasti sa ovom vrstom znanja smatraju najpodložnijim implementaciji ekspertnih sistema. Ove oblasti se obično nazivaju empirijskim, jer su u njima akumulirane velike količine pojedinačnih empirijskih činjenica i zapažanja, dok je njihova teorijska generalizacija stvar budućnosti.

Znanje je uvijek povezano sa stvaranjem novih koncepata i teorija. Zanimljivo je da često stručnjak generiše nova znanja „u hodu“, upravo u kontekstu razgovora sa analitičarem. Takvo generiranje znanja može biti od koristi i samom stručnjaku, koji do tog trenutka možda nije bio svjestan niza odnosa i obrazaca predmetne oblasti. Analitičaru, koji je „babica” na rađanju novog znanja, tu mogu pomoći alati sistemske metodologije, koji omogućavaju upotrebu dobro poznatih principa logike naučnog istraživanja i konceptualne hijerarhije nauke. Ova metodologija ga tjera da iza posebnog vidi opšte, tj. izgraditi lance:

ČINJENICA  GENERALIZOVANA ČINJENICA  EMPIRIJSKI ZAKON  TEORIJSKI ZAKON

Inženjer znanja neće uvijek stići do posljednje karike ovog lanca, ali sama želja za kretanjem može biti izuzetno plodna. Ovaj pristup je u potpunosti u skladu sa strukturom samog znanja, koja ima dva nivoa:

empirijski (zapažanja, fenomeni);

teorijski (zakoni, apstrakcije, generalizacije).

Kriterijumi naučnog saznanja

Teorija nije samo koherentan sistem za generalizaciju naučnog znanja, ona je i određeni način proizvodnje novog znanja. Glavni metodološki kriterijumi za naučni karakter, koji nam omogućavaju da i samo novo znanje i način njegovog dobijanja, smatramo naučnim, su:

unutrašnja konzistentnost i konzistentnost;

dosljednost;

objektivnost;

istoricizam.

Unutrašnja konzistentnost. Na prvi pogled, ovaj kriterij jednostavno ne funkcionira u empirijskim područjima: u njima se činjenice često ne slažu jedna s drugom, definicije su kontradiktorne, difuzne itd. Analitičar koji poznaje karakteristike empirijskog znanja, njegovu modalnost, nedosljednost i nedorečenost, mora izgladiti ove „hrapavosti“ empirije.

Modalitet znanja znači mogućnost njegovog postojanja u raznim kategorijama, tj. u konstrukcijama postojanja i obaveze. Dakle, neki od obrazaca su mogući, drugi su obavezni, itd. Osim toga, moramo razlikovati takve nijanse modaliteta kao što su: stručnjak zna da...; stručnjak misli da...; stručnjak želi...; ekspert smatra da...

Moguće nedoslednost empirijsko znanje je prirodna posledica osnovnih zakona dijalektike, a te protivrečnosti ne treba uvek rešavati u oblasti znanja, već naprotiv, upravo suprotnosti najčešće služe kao polazište u rasuđivanju stručnjaka.

Nepotpunost znanje je povezano sa nemogućnošću potpunog opisa predmetne oblasti. Zadatak analitičara je da ovu nepotpunost ograniči na određeni okvir „potpunosti“, tj. suziti granice predmetnog područja, ili uvesti niz ograničenja i pretpostavki koje pojednostavljuju problem.

Sistematičnost. Sistemsko-strukturalni pristup znanju (od Hegela) orijentiše analitičara na razmatranje bilo koje predmetne oblasti sa stanovišta zakona sistemske celine i interakcije njenih sastavnih delova. Moderni strukturalizam proizlazi iz višeslojne hijerarhijske organizacije bilo kojeg objekta, tj. svi procesi i fenomeni se mogu smatrati kao mnogo manjih podskupova (obilježja, detalja) i, obrnuto, bilo koji objekti se mogu (i trebaju) smatrati elementima viših klasa generalizacija.

Objektivnost. Proces spoznaje je duboko subjektivan, tj. suštinski zavisi od karakteristika samog subjekta znanja. Subjektivnost počinje opisom činjenica i raste kako se produbljuje idealizacija objekata.

Shodno tome, ispravnije je govoriti o dubini razumijevanja nego o objektivnosti znanja. Razumijevanje je ko-kreacija, proces tumačenja objekta sa stanovišta subjekta. Ovo je složen i dvosmislen proces koji se odvija u dubini ljudske svijesti i zahtijeva mobilizaciju svih intelektualnih i emocionalnih sposobnosti osobe. Analitičar treba sve svoje napore usmjeriti na razumijevanje problema. Psihologija potvrđuje činjenicu da ljudi koji brzo i uspješno rješavaju intelektualne probleme većinu vremena provode razumijevajući ih, dok oni koji brzo krenu u traženje rješenja najčešće ga ne mogu pronaći.

Historicizam. Ovaj kriterij se odnosi na razvoj. Znanje o sadašnjosti je znanje o prošlosti koja ju je rodila. I iako većina ekspertnih sistema pruža „horizontalni“ isječak znanja – bez uzimanja u obzir vremena (u statici), inženjer znanja uvijek mora razmatrati procese uzimajući u obzir promjene vremena – i vezu s prošlošću i vezu sa budućnošću. Na primjer, struktura polja znanja i baze znanja moraju omogućiti prilagođavanje i korekcije kako tokom razvoja tako i tokom rada ekspertnog sistema.

Struktura kognicije

Nakon što smo ispitali glavne kriterijume za naučnu prirodu znanja, sada ćemo pokušati da opišemo njegovu strukturu. Metodološka struktura kognicije može se predstaviti kao niz faza (slika 17.9), koje ćemo razmotriti iz perspektive inženjera znanja.

Opis i sinteza činjenica. Ovo je kao "suvi talog" razgovora između analitičara i stručnjaka. Pažljivo i potpuno vođenje evidencije tokom procesa ekstrakcije i tačni „domaći zadaci“ o njima su ključ produktivnog prvog stupnja spoznaje.

U praksi se ispostavlja da je teško pridržavati se gore opisanih principa objektivnosti i dosljednosti. Najčešće se u ovoj fazi činjenice jednostavno prikupljaju i, takoreći, bacaju u „zajedničku torbu“; Iskusni inženjer znanja često odmah pokušava pronaći "policu" ili "kutiju" za svaku činjenicu, čime se implicitno priprema za fazu konceptualizacije.

Rice. 17.9. Struktura kognicije

Uspostavljanje veza i obrazaca. U glavi stručnjaka se uspostavljaju veze, iako često implicitno; Zadatak inženjera je da utvrdi okvir zaključaka stručnjaka. Prilikom rekonstrukcije mišljenja stručnjaka, inženjer znanja može se osloniti na dvije najpopularnije teorije mišljenja – logičku i asocijativnu. Istovremeno, ako se logička teorija, zahvaljujući svojim vatrenim obožavateljima u liku matematičara, naširoko citira i eksploatiše na sve moguće načine u radovima o umjetnoj inteligenciji, onda je druga, asocijativna teorija, manje poznata i popularna, iako takođe ima drevne korene. Ljepota i sklad logičke teorije ne treba da zamagli tužnu činjenicu da ljudi rijetko razmišljaju u terminima matematičke logike.

Asocijativna teorija predstavlja mišljenje kao lanac ideja povezanih zajedničkim konceptima. Glavne operacije takvog mišljenja su asocijacije stečene na osnovu različitih veza; prisjećanje na prošla iskustva; pokušaja i grešaka s povremenim uspjehom; uobičajene („automatske”) reakcije itd.

Izgradnja idealiziranog modela. Da bi se izgradio model koji odražava subjektivno razumijevanje predmetnog područja, potreban je specijalizirani jezik kojim se mogu opisati i konstruirati oni idealizirani modeli svijeta koji nastaju u procesu mišljenja. Ovaj jezik se stvara postepeno uz pomoć kategorijalnog aparata usvojenog u odgovarajućoj predmetnoj oblasti, kao i formalnih simboličkih sredstava matematike i logike. Za empirijska predmetna područja takav jezik još nije razvijen, a polje znanja, koje će analitičar opisati na poluformalizovan način, može biti prvi korak ka stvaranju takvog jezika.

Objašnjenje i predviđanje modela. Ova završna faza strukture znanja je ujedno i parcijalni kriterijum istinitosti stečenog znanja. Ako je identifikovani sistem ekspertskog znanja potpun i objektivan, onda je na osnovu njega moguće predvideti i objasniti sve pojave iz date predmetne oblasti. Tipično, baze znanja ekspertskih sistema pate od fragmentacije i modularnosti (nepovezanosti) komponenti. Sve ovo nam ne dozvoljava da stvorimo istinski inteligentne sisteme koji bi, poput ljudi, mogli predvideti nove obrasce i objasniti slučajeve koji nisu eksplicitno navedeni u bazi podataka. Izuzetak su sistemi generisanja znanja koji su fokusirani na generisanje novog znanja i „predviđanja“.

U zaključku, navodimo najčešće neuspjehe povezane s epistemološkim problemima inženjeringa znanja (djelimično iz):

škrto, fragmentirano znanje (zbog kršenja principa konzistentnosti ili grešaka u odabiru fokusa pažnje);

nedosljednost znanja (zbog prirodne neusklađenosti prirode i društva, nepotpunosti izvučenog znanja, nekompetentnosti stručnjaka);

pogrešna klasifikacija (zbog pogrešnog određivanja broja časova ili netačnog opisa klase);

pogrešan nivo generalizacije (zbog prevelike detaljnosti ili generalizacije klasa objekata).

Inženjerska disciplina koja se bavi integracijom znanja sa kompjuterskim sistemima za rešavanje složenih problema koji obično zahtevaju visok nivo ljudske stručnosti:

upravljanje konfiguracijom znanja (računovodstvo);
upravljanje promjenama (evolucija);
logistika (pretraga i dostava po potrebi).

On visoki nivo, proces inženjeringa znanja sastoji se od dva:

Ekstrakcija znanja- transformaciju „sirovog znanja“ u organizovano znanje, proces dobijanja znanja iz njegovih izvora, koji mogu biti materijalni mediji (dosijei, dokumenti, knjige) i eksperti (grupe stručnjaka). To je dio inženjerstva znanja.
Implementacija znanja- transformacija organizovanog znanja u ostvareno, proces transformacije organizovanog znanja u ostvareno.

Tehnologije upravljanja znanjem

Razlikuju se sljedeće tehnologije upravljanja znanjem:

rad sa prećutnim znanjem(prećutno znanje) u glavama stručnjaka(najčešće se na njih misli kada govorimo o „upravljanju znanjem“). Kognitolog (uloga):
- pomaže stručnjaku da identifikuje i strukturira znanje potrebno za rad ekspertnog sistema, izvlači neformalno znanje od stručnjaka;
- odabire intelektualni sistem koji je najpogodniji za datu problemsku oblast i određuje način na koji je znanje predstavljeno u ovom IS-u;
- bira i programira standardne funkcije koje će se koristiti u pravilima koja unese stručnjak.
rad sa pismenim znanjem("upravljanje znanjem" se proteže i na računare: korporativno upravljanje znanjem, upravljanje znanjem) - naglasak na "pretrazi cijelog teksta", "semantičkoj potrazi", "automatskom označavanju".
1. NLP kao datalogička disciplina („rad prema formi“), valna tehnika, perceptivni modaliteti, submodaliteti, prostorno označavanje, kalibracija
2. korištenje weba 2.0 (blogova i wikija)
rad sa pismenim formalnim znanjem(inženjering znanja, koji je takođe uključen u upravljanje znanjem, ali ne tako pouzdano) - naglasak na strukturnim bazama podataka, inženjerskim modelima, integraciji podataka. Većina tehnologija u inženjeringu znanja slijedila je put implementacije takozvane “semantičke mreže”, Husserl-Wittgenstein-Bunge pristupa da je znanje predstavljeno činjenicama (a činjenice su odnosi između pojmova). Iz skupa činjenica proizlazi semantička mreža (vidi recenziju Johna F. Sowa), u kojoj odnosi ivica povezuju koncepte vrhova. Ideju pohranjivanja i korištenja znanja u semantičkom obliku implementirale su mnoge zajednice prakse koje se gotovo ne preklapaju, što je rezultiralo pojavom ogromnog broja implementacija i standarda u kojima nijedna riječ nije ista, ali koji su ideološki i tehnološki kompatibilan.
1. Modeliranje podataka + integracija podataka. Koriste se kada je potrebno kombinovati podatke iz više CAD sistema različitih dobavljača tokom izgradnje velikog industrijskog objekta. Ključne riječi: ISO 15926, Gelish, ISO 10303. Umjesto riječi "ontologija" kažu "model podataka". : praktično ništa, svi upiti za podatke. Svi se bore znanjem prsa u ruku. Bez grafike, svi XML, vlasnički formati za skladištenje Šeme podataka u svakom pojedinačnom CAD sistemu. Nedavno su se pojavila i druga rješenja usmjerena na integraciju heterogenih podataka, na primjer iz CYC i (zasnovane na standardiziranoj UMBEL ontologiji, izrazu u RDF-u i obezbjeđivanju pristupa podacima putem HTTP-a, vidi). ISO 15926-7 projekti se svode na istu stvar: određena ontologija + standardi semantičkog weba.
2. Koncept Map() Koristi se za (često kolaborativni putem weba) obrazovni i kreativni rad. Ključni formati (sve u XML-u): XCT 3.0, ali spremna za upotrebu Mapa tema, i još mnogo toga za uređivanje i prikaz. Alati za upravljanje znanjem: grafički prikaz, kombinovanje mreža koje su nacrtala dva učesnika kreativni proces. Bliski srodnik je MindMap, gdje uopće ne postoji graf, već lijepo nacrtano stablo, a veze su neimenovane.
3. Konceptualni grafikoni Koristi se za akademske studije iz oblasti veštačke inteligencije, ekspertskih sistema, sistema agenata i drugih klasika žanra. Oslanjaju se na rad filozofa i logičara Piercea („inteligentno indeksiranje“), ključna osoba je John F. Sowa. Ključni format za pohranjivanje znanja: tri sintakse, od kojih je glavna CGIF (XML). Alati za upravljanje znanjem: Common Logic (ili ISO ISO/IEC IS 24707:2007, ).
4. Mapa teme Oni će se koristiti za inicijative upravljanja znanjem - a došli su od katalogista (bibliografa). Veliki ljubitelji standardizacije (vidi), ali su izgubili fokus (neumoljivo su privučeni opštem modeliranju podataka, u kojem gube od pristupa semantičkom vebu). Ključni formati za pohranjivanje znanja: ISO 13250, XTM 2.0, HyTM. Alati za upravljanje znanjem: koristi se motor mape tema (desetak opcija), jer je TMAPI 2.0 standardiziran. Osim toga, poseban standard za specificiranje ograničenja za tematske mape - ISO/IEC FCD 19756 (TMCL) - stigao je do cilja, a jezik upita za mapu tema (projekat ISO 18048) izgleda da je u zastoju.

Inženjering znanja (KE) definisali su Feigenbaum i McCorduck 1983. kao:

“IZ je grana (disciplina) inženjerstva koja ima za cilj uvođenje znanja u kompjuterske sisteme za rješavanje složenih problema, koji obično zahtijevaju bogato ljudsko iskustvo.”

Trenutno, ovo takođe uključuje stvaranje i održavanje takvih sistema (Kendal, 2007). Takođe je usko povezan sa razvojem softvera i koristi se u mnogim istraživanjima informacija, kao što su istraživanja veštačke inteligencije, uključujući baze podataka, rudarenje podataka, ekspertske sisteme, sisteme za podršku odlučivanju i geografske informacioni sistemi. IZ je povezan sa matematičkom logikom, koja se takođe koristi u raznim naučnim disciplinama, na primer u sociologiji, gde su „eksperimentalni subjekti“ ljudi, a ciljevi istraživanja su razumevanje kako ljudska logika funkcioniše na primeru odnosa u društvu.

Primjeri

Primjer rada sistema zasnovanog na IZ:

Razmatranje problema
Upitajte baze podataka za zadatak
Unošenje i strukturiranje primljenih informacija (IPK model)
Kreiranje baze podataka strukturiranih informacija
Testiranje primljenih informacija
Izrada podešavanja i finalizacija sistema.

IZ ima praktičnu primjenu. U SAD-u se do 90% kreditnih odluka za klijente bankarstva sa stanovništvom donosi korištenjem ekspertnih sistema baziranih na FICO bazama znanja. Pododjeljak informacione tehnologije je metainženjering znanja, pogodan za razvoj AI.

Principi

Od sredine 1980-ih u oblasti znanja pojavilo se nekoliko principa, metoda i alata koji su olakšali proces stjecanja znanja i rada sa njim. Evo nekih ključnih:

Inženjering znanja koristi metode strukturiranja znanja kako bi ubrzao proces stjecanja znanja i rada sa njim.