Znalostní inženýrství ( anglicky knowledge engineering ) - je zahrnuto do oblasti věd o umělé inteligenci , je spojeno s rozvojem expertních systémů a znalostních bází . Týká se všech technických , vědeckých a sociálních aspektů spojených s konstrukcí, údržbou a aplikací znalostních systémů. Studuje metody a prostředky extrakce , reprezentace , strukturování a využití znalostí před softwarovou implementací systémových komponent [1] . Znalostní inženýrství se používá ve znalostním managementu k organizaci sběru, shromažďování, ukládání a využívání znalostí organizace ve strategii znalostního managementu zaměřené na kodifikaci znalostí . [2] [3]
Knowledge Engineering (KI) definovali Feigenbaum a McCordack v roce 1983 jako:
"IS je obor (disciplína) inženýrství zaměřený na zavádění znalostí do počítačových systémů pro řešení složitých problémů, které obvykle vyžadují bohaté lidské zkušenosti."
V současné době se jedná také o vytváření a údržbu takových systémů (Kendal, 2007). Úzce také souvisí s vývojem softwaru a používá se v mnoha informačních studiích, jako jsou studie umělé inteligence, včetně znalostních bází , dolování dat , expertní systémy , systémy pro podporu rozhodování a geografické informační systémy. IZ je spojena s matematickou logikou , používá se také v různých vědních disciplínách, například v sociologii , kde je cílem výzkumu porozumět sociálnímu chování lidí, analyzovat logiku vztahů lidí ve společnosti.
Znalostní inženýrství zahrnuje aplikaci jediné strategie, kterou lze realizovat pomocí technických prostředků ve fázi sběru a zpracování dat. Úzce souvisí a nachází uplatnění v počítačově podporovaném navrhování (CAD). Znalostní inženýrství kombinuje principy objektivní orientace a pravidel s CAD a dalšími tradičními inženýrskými softwarovými nástroji.
Koncem 60. a začátkem 70. let byly na Stanfordské univerzitě vytvořeny DENDRAL a později MYCIN . Jedná se o expertní systémy, které ukládají znalosti specialistů a využívají tato data k řešení různých problémů, přičemž potřebné informace získávají z úložiště. Profesor E. Feigenbaum byl jedním z tvůrců takových systémů a navrhl pro expertní systémy ukládání dat název „znalostní inženýrství“ [4] .
Při vývoji systémů umělé inteligence existují tři hlavní složky předzpracování dat, které se následně přenášejí do strojového zpracování: extrakce a řazení ( kodifikace [5] ), strukturování a formalizace . Fáze získávání nebo získávání znalostí je shromažďování nesourodých a protichůdných fragmentů a útržků informací z různých zdrojů používaných organizací, včetně jejích dokumentů. Strukturování neboli konceptualizace je zpracování dat a vytvoření jediného modelu z nich, který se nazývá pole znalostí nebo mentální model. Fáze formalizace spočívá v překladu těchto informací do specializovaného programovacího jazyka [6] .
Pro implementaci znalostního inženýrství existují dva přístupy: využití tradičních metodik vývoje softwaru nebo individuálních metod pro budování expertních systémů [7] .
Znalostní inženýrství zahrnuje pasivní a aktivní komunikační metody shromažďování informací. Názvy metod jsou podmíněné, protože pasivní metody nevyžadují od specialisty menší náklady na práci než aktivní. Mezi pasivní metody patří [ 8] :
Mezi jednotlivé aktivní metody sběru informací pro proces znalostního inženýrství patří :
Existují také kolektivní aktivní metody:
Získané znalosti lze uložit naprogramováním znalostní báze.
Příklad fungování systému založeného na IS:
IS má praktické využití. V USA se až 90 % úvěrových rozhodnutí pro zákazníky retailového bankovnictví provádí pomocí expertních systémů založených na znalostní bázi FICO [9] . Podsekcí IS je znalostní metainženýrství vhodné pro vývoj AI.
Znalostní inženýrství lze využít při vývoji databází elektronického obchodování . Na internetu není prezentována celá produktová matice , některý sortiment je jedinečný a vyžaduje shromažďování, formalizaci a strukturování s výběrem katalogu se sekcemi a podsekcemi, stejně jako definice interních filtrů a řazení.
Od poloviny 80. let IS zavedl několik principů, metod a nástrojů, které usnadnily získávání znalostí a práci s nimi. Zde jsou některé z nich:
Znalostní inženýrství využívá metody strukturování znalostí k urychlení procesu získávání znalostí a práce s nimi.
Organizace sběru, shromažďování, ukládání, zpracování a poskytování znalostí je cílem znalostního managementu, který je součástí moderního managementu . Různí specialisté mění své působiště, spolu s tím firmy přicházejí o intelektuální kapitál nashromážděný během práce zaměstnance [1] . Aby se takovým případům předešlo, začaly podniky vyvíjet a zavádět pravidla načítání dat. Informace lze zadávat do speciálně navržených programů pro interní použití nebo zakoupených systémů ( účetní systémy , ERP , CRM , VDS ), což umožňuje data nejen uložit ve strukturované podobě zadané analytikem, ale v případě potřeby je i nahrát.
| Znalostní inženýrství | |
|---|---|
| Obecné pojmy | |
| Pevné modely | |
| Měkké metody | |
| Aplikace | |
| Strojové učení a dolování dat | |
|---|---|
| Úkoly | |
| Učení s učitelem | |
| shluková analýza | |
| Redukce rozměrů | |
| Strukturální prognózy | |
| Detekce anomálií | |
| Grafové pravděpodobnostní modely | |
| Neuronové sítě | |
| Posílení učení |
|
| Teorie | |
| Časopisy a konference |
|