지식 공학은 인공 지능 (AI) 분야로서 인간 전문가의 사고 과정을 모방하기 위해 데이터에 적용 할 규칙을 만듭니다. 작업의 구조 또는 결론에 도달하는 방법을 식별하기위한 결정을 살펴 봅니다. 그런 다음 문제 해결 방법 라이브러리와 각각에 사용되는 담보 지식을 만들어 시스템에서 진단 할 문제로 제공 할 수 있습니다. 결과 소프트웨어는 자체적으로 또는 인적 에이전트의 지원 역할로 진단, 문제 해결 및 문제 해결을 지원할 수 있습니다.
지식 공학 분석
지식 공학은 문제 해결 인간 전문가의 전문 지식을 동일한 데이터를 가져와 같은 결론에 도달 할 수있는 프로그램으로 이전하려고했습니다. 이 접근 방식은 이전 프로세스라고하며 초기 지식 엔지니어링 시도를 지배했습니다. 호의에서 떨어졌다. 그러나 과학자와 프로그래머가 의사 결정에 인간이 사용하는 지식이 항상 명시 적이지는 않다는 것을 깨달았습니다. 많은 의사 결정이 효과가 있었던 것에 대한 이전의 경험으로 거슬러 올라갈 수 있지만, 인간은 항상 현재 작업에 논리적으로 연결된 것처럼 보이지 않는 병렬 지식 풀을 사용합니다. CEO와 스타 투자자가 직감 또는 직관적 인 도약이라고하는 일부는 유사한 추론과 비선형 적 사고로 더 잘 묘사됩니다. 이러한 사고 방식은 단계적 의사 결정 트리를 지시하는 데 적합하지 않으며 가치가있는 것보다 가져오고 처리하는 데 더 많은 비용이 드는 것으로 보이는 데이터 소스를 가져와야 할 수도 있습니다.
전송 프로세스는 모델링 프로세스를 위해 남겨졌습니다. 지식 공학은 의사 결정의 단계별 프로세스를 따르지 않고 동일한 경로를 따르거나 동일한 정보 소스를 사용하지 않고도 전문가와 동일한 결과를 얻을 수있는 시스템을 만드는 데 중점을 둡니다. 이를 통해 비선형 사고에 사용되는 지식을 추적하는 문제를 제거 할 수 있습니다.이를 수행하는 사람들은 정보를 인식하지 못하는 경우가 많습니다. 결론이 비교 가능한 한 모델이 작동합니다. 모델이 인간 전문가에게 지속적으로 가까이 다가 오면이를 구체화 할 수 있습니다. 잘못된 결론을 추적하고 디버깅 할 수 있으며, 동등하거나 개선 된 결론을 생성하는 프로세스를 권장 할 수 있습니다.
인간 전문가를 능가하는 지식 공학
지식 공학은 이미 의사 결정 지원 소프트웨어에 통합되어 있습니다. 전문 지식 엔지니어는 기계가 얼굴을 인식하거나 사람이 의미하는 바를 파싱하는 기능을 포함하여 인간과 유사한 기능을 발전시키는 다양한 분야에서 채용됩니다. 모델의 복잡성이 증가함에 따라 지식 엔지니어는 결론에 도달하는 방법을 완전히 이해하지 못할 수 있습니다. 결국 지식 공학 분야는 인간뿐만 아니라 문제를 해결하는 시스템을 만드는 것에서부터 인간보다 양적으로 더 나은 시스템을 만드는 것까지 이어집니다. 이러한 지식 공학 모델을 자연어 처리 (NLP) 및 얼굴 인식과 같은 다른 기능과 결합하면 인공 지능이 세계 최고의 서버, 재무 고문 또는 여행사 일 수 있습니다.
