Инженерия знаний

Инженерия знаний (англ. knowledge engineering) — входит в область наук об искусственном интеллекте, связана с разработкой экспертных систем и баз знаний. Относится ко всем техническим, научным и социальным аспектам, связанным с построением, поддержкой и применением систем, использующих знания. Изучает методы и средства извлечения, представления, структурирования и использования знаний до программной реализации компонентов системы[1]. Инженерия знаний применяется в менеджменте знаний для организации сбора, накопления, хранения и использования знаний организации в стратегии управления знаниями, ориентированную на кодификацию знаний[2][3].

Определения

Инженерия знаний (ИЗ) была определена Альбертом Фейгенбаумом и Памелой МакКордак[англ.] в 1983 году как:

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

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы знаний, сбор данных, экспертные системы, системы поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например, в социологии, где целью исследований понимание социального поведения людей, анализ логики взаимоотношения людей в обществе.

Инженерия знаний включает применение единой стратегии, которая может быть реализована с помощью технических средств на этапе сбора и обработки данных. Она тесно связана и находит применение в системе автоматизированного проектирования (CAD). Инжиниринг, основанный на знаниях, объединяет по принципам объективной ориентации и правилам с CAD и другими традиционными инструментами инженерного программного обеспечения.

В конце 1960-х и начале 1970-х годов в Стенфордском университете была создана система DENDRAL, а позднее — MYCIN. Это экспертные системы, которые хранят знания специалистов и используют эти данные для решения различных задач, извлекая необходимую информацию из хранилища. Профессор Э.Фейгенбаум был одним из создателей таких систем и выдвинул для экспертных систем хранения экспертных данных название «инженерия знаний»[4].

Технологии инженерии знаний

При разработке систем искусственного интеллекта, выделяют три главные составляющие предварительной обработки данных, которые в последующем передаются в машинную обработку: извлечение и упорядочение (кодификация[5]), структурирование и формализация. Фаза извлечения, или получения, знаний заключается в сборе разрозненных и противоречивых фрагментов и обрывков информации из различных источников, используемых организацией, в том числе в её документах. Структурирование, или концептуализация, заключается в переработке данных и формировании из них единой модели, которую называют полем знаний или ментальной моделью. Фаза формализации заключается в переводе этой информации на специализированный язык программирования[6].

Существуют два подхода для осуществления инженерии знаний: использование традиционных методологий разработки ПО или индивидуальных методологий для построения экспертных систем[7].

Инженерия знаний включает пассивные и активные коммуникативные методы сбора информации. Названия методов условно, так пассивные методы требуют от специалиста не меньших трудовых затрат, чем активные. К пассивным методам относят[8]:

  • наблюдение (за реальным процессом или его имитацией);
  • анализ протоколов «мыслей вслух», или вербальные отчеты (демонстрация цепочки размышлений);
  • исследование научной информации.

К индивидуальным активным методам сбора информации для процесса инженерии знаний относят:

  • анкетирование (стандартизированный, жесткий метод);
  • интервью (специфическая форма общения инженера по знаниям и эксперта по списку заранее подготовленных вопросов)
  • свободный диалог (нет регламентированного плана).

Также есть коллективные активные методы:

  • круглый стол (коллективное обсуждение по плану с заранее подготовленными темами);
  • «мозговой штурм» (позволяет раскрепостить участников и включить творческий подход);
  • экспертные игры (это деловые игры, которые используются при подготовке специалистов и моделировании ситуаций, их проигрывании для представления наиболее вероятного результата и получения информации; или компьютерные игры, зачастую применяемые в обучении).

Полученные знания могут быть сохранены при помощи программирования базы знаний.

Примеры

Пример действия системы, базирующейся на ИЗ:

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

ИЗ имеет практическое применение. В США до 90 % кредитных решений по клиентам розничного банковского бизнеса принимается с использованием экспертных систем на основе баз знаний FICO[9]. Подразделом ИЗ является метаинженерия знаний, пригодная для разработки ИИ.

Инженерия знаний может быть использована при разработке баз данных электронной коммерции. Не вся товарная матрица представлена в интернете, некоторый ассортимент является уникальным и требует сбора, формализации и структурирования с вычленением каталога с разделами и подразделами, а также с определением внутренних фильтров и сортировок.

Принципы

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

  • Существуют разного рода типы знаний[10], и для работы с ними должны использоваться конкретные методы и техника[11].
  • Существуют различные типы экспертов и опыта[какие?]. Для работы с ними должны использоваться определённые методы и техника[какие?].
  • Существуют разные способы предоставления, использования, понимания знаний[какие?] и работа с ними может помочь переосмыслить и использовать уже имеющиеся знания по-новому.

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

Проблематика

Организация сбора, накопления, хранения, обработки и предоставления знаний является целью менеджмента знаний, представляющего собой часть современного менеджмента. Различные специалисты меняют место работы, вместе с этим компании теряют накопленный за время работы сотрудника интеллектуальный капитал[1]. Для предотвращения подобных случаев, на предприятиях стали разрабатывать и внедрять правила загрузки данных. Информация может вноситься в специально разработанные программы для внутреннего пользования или приобретенные системы (бухгалтерские системы, ERP, CRM, VDS), что позволяет не только сохранить данные в структурированном виде, заданном аналитиком, но также выгружать их при необходимости.

Теории

  • Трансляционная (традиционная): предполагает прямой перенос человеческих знаний в машину.
  • Модельная (альтернативный взгляд): предполагает моделирование задачи и её способов решения самой системой ИИ.
  • Гибридные.

См. также

Примечания

  1. 1 2 Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы. — Лань, 2016. — 324 с.
  2. Hansen M.T., Nohria N., Tierney T. What’s your strategy for managing knowledge? // Harvard Business Review. 1999. Vol. 77, Iss. 2. P. 106—117.
  3. Нестик Т. А. Модели управления знаниями в российских организациях: социально-психологический анализ. ВШМБ РАНХиГС, Институт психологии РАН, М. Дата обращения: 02.08.2021. Дата обращения: 7 августа 2021. Архивировано 23 января 2022 года.
  4. Абдикеев Н.М., Киселев А.Д. Управление знаниями корпорации и реинжиниринг бизнеса. — Инфра-М, 2010.
  5. Феликс Янсен. Эпоха инноваций: Пер. с англ. -М.:ИНФРА-М, 2002.-XII, 308 с. (Серия «Менеджмент для лидера»). ISBN 5-16-001234-6 (русск.) ISBN 0-73-63875-0 (англ.)
  6. Гаврилова Т.А., Лещева И.А. Использование моделей инженерии знаний для подготовки специалистов в области информационных технологий. — Системное программирование. — 2012. — Т. 7.
  7. Feigenbaum, Edward A. The fifth generation : artificial intelligence and Japan's computer challenge to the world. — Reading, Mass.: Addison-Wesley, 1983. — ix, 275 pages с. — ISBN 0-201-11519-0, 978-0-201-11519-2.
  8. Технологии инженерии знаний.
  9. Retail Bank Scoring Solutions. FICO - Business rules management system. Дата обращения: 21 апреля 2015. Архивировано из оригинала 25 марта 2015 года.
  10. D.S Darai, S Singh, S Biswas. Knowledge Engineering-an overview. article. Department of Information Technology, SOA University (2010). Дата обращения: 17 февраля 2018. Архивировано 29 августа 2017 года.
  11. Richard Benjamins, Dieter Fensel, Remco Straatman. Assumptions of Problem-Solving Methods and their Role in Knowledge Engineering : статья. — 1996. — Август.