Knowledge Engineering
Was ist Knowledge Engineering?
Knowledge Engineering ist ein Bereich der künstlichen Intelligenz (KI), der Regeln erstellt, die auf Daten angewendet werden, um den Denkprozess eines menschlichen Experten nachzuahmen. Es betrachtet die Struktur einer Aufgabe oder einer Entscheidung, um festzustellen, wie eine Schlussfolgerung erreicht wird.
Eine Bibliothek von Problemlösungsmethoden und das dazu verwendete Begleitwissen kann dann erstellt und als vom System zu diagnostizierende Probleme bereitgestellt werden. Die resultierende Software könnte dann bei der Diagnose, Fehlersuche und Lösung von Problemen entweder alleine oder in einer Support-Rolle für einen menschlichen Agenten helfen.
Die zentralen Thesen
- Knowledge Engineering ist ein Zweig der künstlichen Intelligenz (KI), der Regeln entwickelt, die auf Daten angewendet werden, um den Denkprozess eines Menschen zu imitieren, der Experte für ein bestimmtes Thema ist.
- In seiner ursprünglichen Form konzentrierte sich Knowledge Engineering auf den Transferprozess; Übertragung des Fachwissens eines Problemlösungsmenschen in ein Programm, das dieselben Daten verwenden und dieselben Schlussfolgerungen ziehen könnte.
- Es wurde festgestellt, dass die Übertragungsverarbeitung ihre Grenzen hatte, da sie nicht genau widerspiegelte, wie Menschen Entscheidungen treffen. Intuition und Bauchgefühl, bekannt als analoges Denken und nichtlineares Denken, wurden nicht berücksichtigt, die oft nicht logisch sind.
- Knowledge Engineering verwendet heute einen Modellierungsprozess, der ein System erstellt, das die gleichen Ergebnisse wie der Experte berührt, ohne den gleichen Weg zu gehen oder die gleichen Informationsquellen zu verwenden.
- Das Ziel von Knowledge Engineering besteht darin, es in Software zu implementieren, die Entscheidungen trifft, die menschliche Experten wie Finanzberater treffen würden.
- Knowledge Engineering wird bereits in Entscheidungsunterstützungssoftware verwendet, und es wird erwartet, dass es irgendwann verwendet wird, um bessere Entscheidungen zu treffen als menschliche Experten.
Knowledge Engineering verstehen
Knowledge Engineering versuchte, die Expertise menschlicher Experten zur Problemlösung in ein Programm zu übertragen, das die gleichen Daten aufnehmen und zum gleichen Ergebnis kommen konnte. Dieser Ansatz wird als Transferprozess bezeichnet und dominierte die frühen Versuche des Knowledge Engineering.
Es fiel jedoch in Ungnade, als Wissenschaftler und Programmierer erkannten, dass das Wissen, das von Menschen bei der Entscheidungsfindung verwendet wird, nicht immer eindeutig ist. Während viele Entscheidungen auf frühere Erfahrungen mit dem, was funktioniert hat, zurückzuführen sind, greifen Menschen auf parallele Wissensbestände zurück, die nicht immer logisch mit der jeweiligen Aufgabe verbunden erscheinen.
Einiges von dem, was CEOs und Starinvestoren als Bauchgefühl oder intuitive Sprünge bezeichnen, lässt sich besser als analoges Denken und nichtlineares Denken beschreiben. Diese Denkweisen eignen sich nicht für direkte, Schritt-für-Schritt- Entscheidungsbäume und erfordern möglicherweise die Einbeziehung von Datenquellen, deren Bereitstellung und Verarbeitung anscheinend mehr kostet, als sie wert sind.
Der Transferprozess wurde zugunsten eines Modellierungsprozesses aufgegeben. Anstatt zu versuchen, den Entscheidungsprozess Schritt für Schritt zu verfolgen, konzentriert sich Knowledge Engineering darauf, ein System zu schaffen, das zu den gleichen Ergebnissen führt wie der Experte, ohne den gleichen Weg zu gehen oder die gleichen Informationsquellen zu erschließen.
Dies beseitigt einige der Probleme beim Aufspüren des Wissens, das für das nichtlineare Denken verwendet wird, da die Menschen, die dies tun, sich oft nicht der Informationen bewusst sind, aus denen sie ziehen. Solange die Schlussfolgerungen vergleichbar sind, funktioniert das Modell. Sobald sich ein Modell dem menschlichen Experten konsequent nähert, kann es verfeinert werden. Schlechte Schlussfolgerungen können zurückverfolgt und debuggt werden, und Prozesse, die zu gleichwertigen oder verbesserten Schlussfolgerungen führen, können gefördert werden.
Knowledge Engineering, um menschliche Experten zu übertreffen
Knowledge Engineering ist bereits in Entscheidungsunterstützungssoftware integriert. Spezialisierte Wissensingenieure werden in verschiedenen Bereichen eingesetzt, die menschenähnliche Funktionen vorantreiben, einschließlich der Fähigkeit von Maschinen, ein Gesicht zu erkennen oder das, was eine Person sagt, auf Bedeutung zu analysieren.
Mit zunehmender Komplexität des Modells verstehen die Wissensingenieure möglicherweise nicht vollständig, wie Schlussfolgerungen gezogen werden. Irgendwann wird das Gebiet des Wissens-Engineerings von der Entwicklung von Systemen, die Probleme lösen, zu einem, der es quantitativ besser macht als der Mensch.
Durch die Kopplung dieser Knowledge-Engineering-Modelle mit anderen Fähigkeiten wie Natural Language Processing (NLP) und Gesichtserkennung könnte künstliche Intelligenz der beste Server, Finanzberater oder Reisebüro sein, den die Welt je gesehen hat.