مهندسی دانش چیست؟

مهندسی دانش چیست؟ مهندسی دانش شاخه‌ای از هوش مصنوعی (AI) است که قوانینی را برای اعمال بر داده‌ها ایجاد می‌کند تا فرآیند تفکر یک متخصص انسانی را تقلید کند. این رشته به ساختار یک وظیفه یا تصمیم نگاه می‌کند تا چگونگی رسیدن به یک نتیجه را شناسایی کند.

سپس می‌توان کتابخانه‌ای از روش‌های حل مسئله و دانش جانبی مورد استفاده برای هر کدام ایجاد کرد و به‌عنوان مشکلاتی که باید توسط سیستم تشخیص داده شوند، ارائه داد. نرم‌افزار حاصل می‌تواند در تشخیص، عیب‌یابی و حل مسائل به‌تنهایی یا در نقش پشتیبانی برای یک عامل انسانی کمک کند.

نکات کلیدی:

• مهندسی دانش شاخه‌ای از هوش مصنوعی است که قوانینی را برای اعمال بر داده‌ها توسعه می‌دهد تا فرآیند تفکر یک متخصص انسانی در موضوعی خاص را تقلید کند.
• در شکل اولیه خود، مهندسی دانش بر فرآیند انتقال تمرکز داشت؛ انتقال تخصص یک انسان حل‌کننده مسئله به برنامه‌ای که بتواند همان داده‌ها را بگیرد و به همان نتایج برسد.
• مشخص شد که فرآیند انتقال محدودیت‌هایی دارد، زیرا به‌طور دقیق منعکس‌کننده نحوه تصمیم‌گیری انسان‌ها نیست. این فرآیند شهود و احساس غریزی، که به‌عنوان استدلال مشابه و تفکر غیرخطی شناخته می‌شود و اغلب ممکن است منطقی نباشد، را در نظر نمی‌گرفت.
• امروزه، مهندسی دانش از فرآیند مدل‌سازی استفاده می‌کند که سیستمی را ایجاد می‌کند که به همان نتایج متخصص می‌رسد بدون اینکه مسیر مشابه یا منابع اطلاعاتی یکسانی را دنبال کند.
• هدف مهندسی دانش این است که در نرم‌افزارهایی پیاده‌سازی شود که تصمیماتی مشابه متخصصان انسانی، مانند مشاوران مالی، بگیرد.
• مهندسی دانش در حال حاضر در نرم‌افزارهای پشتیبانی تصمیم‌گیری استفاده می‌شود و انتظار می‌رود در آینده تصمیماتی بهتر از متخصصان انسانی بگیرد.

درک مهندسی دانش مهندسی دانش به دنبال انتقال تخصص انسان‌های حل‌کننده مسئله به برنامه‌ای بود که بتواند همان داده‌ها را دریافت کرده و به همان نتیجه برسد. این رویکرد به‌عنوان فرآیند انتقال شناخته می‌شود و بر تلاش‌های اولیه مهندسی دانش غالب بود.

با این حال، این روش از مد افتاد، زیرا دانشمندان و برنامه‌نویسان دریافتند که دانش مورد استفاده توسط انسان‌ها در تصمیم‌گیری همیشه صریح نیست. در حالی که بسیاری از تصمیم‌ها می‌توانند به تجربیات قبلی در مورد آنچه کارآمد بوده ردیابی شوند، انسان‌ها از مجموعه‌های موازی دانش استفاده می‌کنند که همیشه به نظر نمی‌رسد به‌طور منطقی با وظیفه در دست مرتبط باشند.

برخی از آنچه مدیران ارشد اجرایی و سرمایه‌گذاران برجسته به‌عنوان احساس غریزی یا جهش‌های شهودی توصیف می‌کنند، بهتر است به‌عنوان استدلال مشابه و تفکر غیرخطی توصیف شود. این شیوه‌های تفکر به خودی خود به درخت‌های تصمیم‌گیری گام‌به‌گام و مستقیم وام نمی‌دهند و ممکن است نیاز به استفاده از منابع داده‌ای داشته باشند که به نظر می‌رسد هزینه جمع‌آوری و پردازش آن‌ها بیش از ارزششان باشد.

فرآیند انتقال کنار گذاشته شده و به نفع فرآیند مدل‌سازی قرار گرفته است. به جای تلاش برای دنبال کردن فرآیند گام‌به‌گام یک تصمیم، مهندسی دانش بر ایجاد سیستمی متمرکز است که به همان نتایج متخصص برسد بدون اینکه مسیر مشابه یا منابع اطلاعاتی یکسانی را به کار ببرد.

این امر برخی از مشکلات ردیابی دانش مورد استفاده برای تفکر غیرخطی را برطرف می‌کند، زیرا افرادی که این کار را انجام می‌دهند اغلب از اطلاعاتی که استفاده می‌کنند آگاه نیستند. تا زمانی که نتایج قابل‌مقایسه باشند، مدل کار می‌کند. هنگامی که یک مدل به‌طور مداوم به نتایج نزدیک به متخصص انسانی می‌رسد، می‌توان آن را اصلاح کرد. نتایج بد را می‌توان ردیابی و اشکال‌زدایی کرد، و فرآیندهایی که نتایج معادل یا بهبودیافته تولید می‌کنند را می‌توان تشویق کرد.

مهندسی دانش برای پیشی گرفتن از متخصصان انسانی مهندسی دانش در حال حاضر در نرم‌افزارهای پشتیبانی تصمیم‌گیری ادغام شده است. مهندسان دانش تخصصی در زمینه‌های مختلفی که عملکردهای مشابه انسان را پیش می‌برند، از جمله توانایی ماشین‌ها برای تشخیص چهره یا تجزیه گفتار انسان برای معنا، به کار گرفته می‌شوند.

با پیچیده‌تر شدن مدل، مهندسان دانش ممکن است به‌طور کامل نفهمند که چگونه به نتایج رسیده می‌شود. در نهایت، رشته مهندسی دانش از ایجاد سیستم‌هایی که مسائل را به‌خوبی انسان حل می‌کنند به سیستمی که به‌صورت کمی بهتر از انسان‌ها عمل می‌کند، پیش خواهد رفت.

با ترکیب این مدل‌های مهندسی دانش با توانایی‌هایی مانند پردازش زبان طبیعی (NLP) و تشخیص چهره، هوش مصنوعی می‌تواند بهترین خدمت‌رسان، مشاور مالی یا آژانس مسافرتی باشد که جهان تا به حال دیده است.