Kunnskapsingeniør er et felt av kunstig intelligens (AI) som lager regler som skal gjelde for data for å etterligne tankeprosessen til en menneskelig ekspert. Den ser på strukturen til en oppgave eller en beslutning om å identifisere hvordan en konklusjon nås. Et bibliotek med problemløsningsmetoder og sikkerhetskunnskapene som brukes for hver kan deretter opprettes og tjene som problemer som skal diagnostiseres av systemet. Den resulterende programvaren kan da hjelpe til med diagnose, feilsøking og løse problemer enten på egen hånd eller i en støtte rolle for en menneskelig agent.
Bryte ned kunnskapsteknologi
Kunnskapsingeniør forsøkte å overføre ekspertisen til menneskelige eksperter med problemløsing til et program som kunne ta inn de samme dataene og komme til samme konklusjon. Denne tilnærmingen blir referert til som overføringsprosessen, og den dominerte forsøk på tidlige kunnskapsteknikker. Det falt ut av favør; men som forskere og programmerere innså at kunnskapen som blir brukt av mennesker i beslutningsprosesser ikke alltid er eksplisitt. Mens mange avgjørelser kan spores tilbake til tidligere erfaring med hva som fungerte, trekker mennesker på parallelle kunnskapspulser som ikke alltid virker logisk koblet til oppgaven. Noe av det som administrerende direktører og stjerneinvestorer omtaler som magefølelse eller intuitive sprang, beskrives bedre som analog resonnement og ikke-lineær tenking. Disse tankemåtene låner seg ikke til direkte trinnvise avgjørelsestrær og kan kreve å trekke inn kilder til data som ser ut til å koste mer å hente inn og prosessere enn det er verdt.
Overføringsprosessen har blitt etterlatt til fordel for en modelleringsprosess. I stedet for å prøve å følge trinn-for-trinn-prosessen for en beslutning, er kunnskapsteknikk fokusert på å lage et system som vil treffe de samme resultatene som eksperten uten å følge den samme banen eller trykke på de samme informasjonskildene. Dette eliminerer noen av problemene med å spore opp kunnskapen som brukes til ikke-lineær tenking, ettersom menneskene som gjør det ofte ikke er klar over informasjonen de drar på. Så lenge konklusjonene er sammenlignbare, fungerer modellen. Når en modell konsekvent kommer nær den menneskelige eksperten, kan den deretter foredles. Dårlige konklusjoner kan spores tilbake og feilsøkes, og prosesser som skaper likeverdige eller forbedrede konklusjoner kan oppmuntres.
Kunnskapsteknologi for å overgå menneskelige eksperter
Kunnskapsteknikk er allerede integrert i beslutningsstøtteprogramvare. Spesialiserte kunnskapsingeniører er ansatt i forskjellige felt som fremmer menneskelignende funksjoner, inkludert evnen til maskiner til å gjenkjenne et ansikt eller analysere hva en person sier for mening. Når kompleksiteten i modellen vokser, er det ikke sikkert at kunnskapsingeniørene helt forstår hvordan konklusjoner nås. Etter hvert vil feltet kunnskapsteknikk gå fra å lage systemer som løser problemer så vel som et menneske til et som gjør det kvantitativt bedre enn mennesker. Koble disse kunnskapstekniske modellene til andre evner som naturlig språkbehandling (NLP) og ansiktsgjenkjenning, kan kunstig intelligens være den beste serveren, finansrådgiveren eller reisebyrået som verden noensinne har sett.
