Knowledge Engineering ist ein Bereich der künstlichen Intelligenz (KI), der Regeln für die Anwendung auf Daten erstellt, um den Denkprozess eines menschlichen Experten nachzuahmen. Es untersucht die Struktur einer Aufgabe oder eine Entscheidung, um festzustellen, wie eine Schlussfolgerung gezogen wird. Eine Bibliothek von Problemlösungsmethoden und das jeweils verwendete Sicherheitenwissen kann erstellt und als vom System zu diagnostizierende Probleme bereitgestellt werden. Die resultierende Software kann dann bei der Diagnose, Fehlerbehebung und Problemlösung für sich allein oder als Support für einen menschlichen Agenten hilfreich sein.
Abbau von Knowledge Engineering
Mit Knowledge Engineering sollte das Fachwissen von Experten zur Problemlösung in ein Programm übertragen werden, das dieselben Daten aufnimmt und zu derselben Schlussfolgerung gelangt. Dieser Ansatz wird als Transferprozess bezeichnet und dominierte frühe Versuche des Knowledge Engineerings. Es fiel in Ungnade; Wissenschaftler und Programmierer stellten jedoch fest, dass das Wissen, das der Mensch bei Entscheidungen verwendet, nicht immer explizit ist. Während viele Entscheidungen auf frühere Erfahrungen zurückgeführt werden können, greifen Menschen auf parallele Wissenspools zurück, die nicht immer logisch mit der jeweiligen Aufgabe verbunden zu sein scheinen. Einige Dinge, die CEOs und Star-Investoren als Bauchgefühl oder intuitive Sprünge bezeichnen, lassen sich besser als analoges Denken und nichtlineares Denken beschreiben. Diese Denkweisen eignen sich nicht für direkte, schrittweise Entscheidungsbäume und erfordern möglicherweise das Abrufen von Datenquellen, deren Einbringung und Verarbeitung anscheinend mehr kostet, als es sich lohnt.
Der Übertragungsprozess wurde zugunsten eines Modellierungsprozesses aufgegeben. Anstatt zu versuchen, den schrittweisen Prozess einer Entscheidung zu verfolgen, konzentriert sich Knowledge Engineering darauf, ein System zu erstellen, das dieselben Ergebnisse wie der Experte erzielt, ohne denselben Weg zu beschreiten oder dieselben Informationsquellen zu nutzen. Dies beseitigt einige der Probleme beim Aufspüren des Wissens, das für nichtlineares Denken verwendet wird, da die Personen, die dies tun, häufig nicht über die Informationen informiert sind, auf die sie zugreifen. Solange die Schlussfolgerungen vergleichbar sind, funktioniert das Modell. Sobald ein Modell dem menschlichen Experten konsequent nahe kommt, kann es weiterentwickelt werden. Fehlerhafte Schlussfolgerungen können zurückverfolgt und behoben werden, und Prozesse, die zu gleichwertigen oder verbesserten Schlussfolgerungen führen, können gefördert werden.
Knowledge Engineering, um Experten zu übertreffen
Knowledge Engineering ist bereits in die Entscheidungssoftware integriert. Spezialisierte Wissensingenieure sind in verschiedenen Bereichen beschäftigt, die menschenähnliche Funktionen fördern, einschließlich der Fähigkeit von Maschinen, ein Gesicht zu erkennen oder zu analysieren, was eine Person für Bedeutung sagt. Mit zunehmender Komplexität des Modells verstehen die Wissensingenieure möglicherweise nicht vollständig, wie Schlussfolgerungen gezogen werden. Letztendlich wird das Gebiet des Knowledge Engineering von der Schaffung von Systemen, die Probleme lösen, zu Systemen übergehen, die es quantitativ besser können als Menschen. Künstliche Intelligenz, die diese Wissensmodelle mit anderen Fähigkeiten wie der Verarbeitung natürlicher Sprache (NLP) und der Gesichtserkennung kombiniert, könnte der beste Server, Finanzberater oder Reisebüro sein, den die Welt je gesehen hat.
