ცოდნის ინჟინერია არის ექსპერტი სისტემების შექმნის პროცესი. ცოდნის ინჟინერიის კონცეფცია, ძირითადი პრინციპები და მიდგომები. მოკლედ. ნახეთ, რა არის „ცოდნის ინჟინერია“ სხვა ლექსიკონებში

არის მოდელების, მეთოდებისა და ტექნიკის ნაკრები, რომელიც მიზნად ისახავს სისტემების შექმნას, რომლებიც შექმნილია პრობლემების გადასაჭრელად ცოდნის გამოყენებით. სინამდვილეში, ცოდნის ინჟინერია არის თეორია, მეთოდოლოგია და ტექნოლოგია, რომელიც მოიცავს ექსპერტული ცოდნის მოპოვების, ანალიზის, წარმოდგენისა და დამუშავების მეთოდებს.

ცოდნის წარმოდგენა, დამუშავება და გამოყენება, განხილული კონკრეტულ აპლიკაციურ სფეროსთან მიმართებაში, არის ცოდნის ინჟინერიის საგანი.

მაღალ დონეზე, ცოდნის ინჟინერიის პროცესი შედგება ორიგან:

1. – „ნედლი ცოდნის“ ორგანიზებულ ცოდნად გარდაქმნა.

2. – ორგანიზებული ცოდნის ტრანსფორმაცია რეალიზებულ ცოდნად.

ცოდნის ინჟინერიის სფეროსთან მჭიდრო კავშირშია კონცეფცია .

არსი შეიძლება ჩაითვალოს ადამიანის ინტელექტუალური ფუნქციების მეცნიერული ანალიზი და ავტომატიზაცია. თუმცა, პრობლემების უმეტესობისთვის, საერთო რეალობაა მათი მანქანური განხორციელების სირთულე. ხელოვნური ინტელექტის შესახებ ჩატარებულმა კვლევამ დაადგინა მოსაზრება, რომ პრობლემების გადასაჭრელად ნამდვილად აუცილებელია ექსპერტის ცოდნა, ე.ი. თუ თქვენ შექმნით სისტემას, რომელსაც შეუძლია დაიმახსოვროს და გამოიყენოს ექსპერტული ცოდნა, ის იპოვის გამოყენებას პრაქტიკულ საქმიანობაში.

ტერმინის ისტორია

ცოდნის ინჟინერია მჭიდროდ არის დაკავშირებული ზოგადად ინტელექტუალური საინფორმაციო სისტემების განვითარების მთელ პროცესთან და (ES) კონკრეტულად - იდეის წარმოშობიდან მის განხორციელებამდე და გაუმჯობესებამდე.

1960-იანი წლების ბოლოს და 1970-იანი წლების დასაწყისში. ე.ფეიგენბაუმის ხელმძღვანელობით აშშ-ში, სტენფორდის უნივერსიტეტში შეიქმნა DENDRAL სისტემა, მოგვიანებით კი MYCIN. ვინაიდან ეს სისტემები აგროვებენ ექსპერტულ ცოდნას კომპიუტერის მეხსიერებაში და იყენებენ ამ ცოდნას პრობლემების გადასაჭრელად, საჭიროების შემთხვევაში მეხსიერებიდან ამოღებას, მათ უწოდებენ ექსპერტულ სისტემებს და პროფესორმა ე. ფეიგენბაუმმა, საექსპერტო სისტემების (ES) ერთ-ერთმა შემქმნელმა წამოაყენა. ამ სფეროში ტექნიკას ეწოდება "ცოდნის ინჟინერია". სიტყვა "ინჟინერია" ინგლისურად ნიშნავს საგნების ოსტატურად დამუშავებას, რაღაცის გამოგონებას ან შექმნას. მაშასადამე, პიროვნების ან კომპიუტერის (პროგრამის) მიერ შესრულებული პრობლემური სფეროდან სპეციალური საექსპერტო ცოდნით პროგრამების აღჭურვის სამუშაოს ასევე შეიძლება ეწოდოს "ცოდნის ინჟინერია".

ცოდნის საფუძვლები.

ინფორმაციის, ცნებების, იდეების ერთობლიობა რაიმეს შესახებ, მიღებული, შეძენილი, დაგროვილი სწავლის, გამოცდილების, ცხოვრების პროცესში და ა.შ. და ჩვეულებრივ ხორციელდება აქტივობებში. უფრო ფორმალური განმარტებები, რომლებიც ჩვეულებრივ გამოიყენება ცოდნის მენეჯმენტში:

ცოდნის წარმოდგენა, მისი დამუშავება და გამოყენება, განხილული კონკრეტულ აპლიკაციურ სფეროსთან მიმართებაში, არის ცოდნის ინჟინერიის საგანი. ერთობლივად ორგანიზებული ცოდნის კრებული, რომელიც დაკავშირებულია გადასაჭრელ პრობლემებთანხელოვნური ინტელექტის (AI) სისტემაში ე.წ ცოდნის ბაზა (KB).

Ისე,არის სემანტიკური მოდელი, რომელიც აღწერს საგნობრივ სფეროს და საშუალებას აძლევს უპასუხოს კითხვებს ამ საგნის სფეროდან, რომელთა პასუხები ცალსახად არ არის მონაცემთა ბაზაში. ცოდნის ბაზა ხელოვნური ინტელექტისა და საექსპერტო სისტემების ძირითადი კომპონენტია.KB-ების უმეტესობა შემოიფარგლება სპეციალიზებული, ჩვეულებრივ, ვიწრო საგნით, სადაც ისინი ორიენტირებულია. KB-ის შექმნისას, AI ტექნოლოგია საშუალებას აძლევს დასკვნის ძრავას და შესაძლებლობებს კომპიუტერში ჩაშენდეს KB-ში შემავალი ფაქტებისა და ურთიერთობების საფუძველზე.

ცოდნის ინჟინერიის პრობლემები.

საგნობრივი და პრობლემური სფეროების ანალიზი.

საგნის არეალი - ადამიანის საქმიანობის სფერო, გამოვლენილი და აღწერილი დადგენილი კრიტერიუმების მიხედვით. აღწერილი კონცეფცია უნდა მოიცავდეს ინფორმაციას მისი ელემენტების, ფენომენების, ურთიერთობებისა და პროცესების შესახებ, რომლებიც ასახავს ამ საქმიანობის სხვადასხვა ასპექტს. საგნის არეალის აღწერა უნდა შეიცავდეს შესაძლო ზემოქმედების მახასიათებლებსგარემო საგნის არეალის ელემენტებსა და ფენომენებზე, ასევე ამ ელემენტებისა და ფენომენების საპირისპირო ზემოქმედება გარემოზე.

პრობლემური სფერო- რთული კონცეფცია, რომელიც მოიცავს საგნობრივ სფეროს, გადასაჭრელ ამოცანებს, მიზნებს, შესაძლო სტრატეგიებს და ევრისტიკას. საგანი შეიძლება განისაზღვროს, როგორც ობიექტი ან, მაგალითად, წარმოების სისტემა ცნებებისა და ცოდნის მთელი კომპლექსით მისი ფუნქციონირების შესახებ. პრობლემური სფეროს შესწავლისას აუცილებელია წარმოების სისტემაში გადაჭრილი ამოცანებისა და მის წინაშე მდგარი მიზნების შესახებ ცოდნა.

ეკონომიკური სისტემების შესწავლისას და მათ მიერ გადაწყვეტილი პრობლემების შესწავლისას ცოდნასა და მუშაობაში ცოდნის ფორმალიზების მიზნით, აუცილებელია ასეთი სისტემების სპეციფიკის გათვალისწინება. ეკონომიკურ სისტემებს ახასიათებს დინამიური ფუნქციონირება, სიტუაციების ხშირი ცვლილება, საზომი დიდი მასივების განახლება და ობიექტის მდგომარეობის დამახასიათებელი სხვა მონაცემები. ისინი ხშირად მოქმედებენ სრული დარწმუნების პირობებში შემთხვევითი შემაშფოთებელი ფაქტორების მოქმედების გამო.

ცოდნის შეძენა.

ცოდნის შეძენა რეალიზდება ორი ფუნქციით: ინფორმაციის მოპოვებითგარედან და მისი სისტემატიზაცია. უფრო მეტიც, სასწავლო სისტემის ლოგიკური დასკვნების გაკეთების უნარიდან გამომდინარე, შესაძლებელია ცოდნის შეძენის სხვადასხვა ფორმა, ასევე სხვადასხვამიღებული ინფორმაციის ფორმები.

ტრენინგის ეტაპების კლასიფიკაცია, რომელიც შეესაბამება კომპიუტერის შესაძლებლობებსცოდნის ფორმალიზაცია:

ა. ინფორმაციის მოპოვება ლოგიკური დასკვნების გარეშე.

1. პროგრამებში შესვლა.

2. ფაქტობრივი მონაცემების შეყვანა.

ბ. ინფორმაციის მიღება გარედან, უკვე წარმოდგენილი ცოდნის სახით.

1. შიდა ფორმატში წარმოდგენილი ცოდნის მზა ნაკრების მიღება.

2. ცოდნის მიღება, წარმოდგენილი შიდა ფორმატში, დიალოგის რეჟიმში.

3. გარე ფორმატში წარმოდგენილი ცოდნის მიღება და გააზრება.

ბ. სწავლება მაგალითით.

1. პარამეტრული სწავლება.

2. დასკვნის სწავლა ანალოგიით.

3. ინდუქციაზე დაფუძნებული სწავლა – ევრისტიკული სწავლება.

დ. ცოდნის მიღება მეტა დონეზე.

ცოდნის ინჟინერიის აპლიკაციის სისტემების შემთხვევაში, აუცილებელია დომენის სპეციფიკური ცოდნის მანქანურ ფორმატში გადაყვანა, მაგრამ ეს მოითხოვს შუამავალს, რომელსაც აქვს კარგი ცოდნა როგორც პრობლემის დომენის, ასევე ცოდნის ინჟინერიის შესახებ. ამ შუამავლებს ე.წ ცოდნის ინჟინრები(ცოდნის ინჟინრები).

ასე რომ, ეს არის ხელოვნური ინტელექტის სპეციალისტი, რომელიც შეიმუშავებს და ქმნის საექსპერტო სისტემას ან სხვა საინფორმაციო სისტემას.

ცოდნის წყაროების ამოცნობა.

ცოდნის წყაროების იდენტიფიცირება და მათთან მუშაობა ცოდნის ინჟინრის მთავარი ამოცანაა.

ცოდნის ინჟინერი ასრულებს მნიშვნელოვან ფუნქციებს ცოდნის ბაზების განვითარებაში. ის კარგად უნდა ფლობდეს პრობლემურ სფეროს და იყოს კარგი ფსიქოლოგი, რათა დაუკავშირდეს ექსპერტს ცოდნის მიღების პროცესში. ამავდროულად, მას უნდა ჰქონდეს კარგი ცოდნა კომპიუტერული პროგრამული უზრუნველყოფის შესაძლებლობების შესახებ, რათა მოახდინოს ცოდნის სტრუქტურირება მასთან შესანახად და მასთან მუშაობისთვის. პრობლემური სფეროს შესახებ ცოდნის მთავარი წყარო არის ადამიანური ექსპერტი.ექსპერტი არის სპეციალისტი, რომელიც წვრთნისა და პრაქტიკული საქმიანობის წლების განმავლობაში ისწავლა კონკრეტულ საგანთან დაკავშირებული პრობლემების ეფექტურად გადაჭრა.

ცოდნის ინჟინერი მუშაობს მასთან დიალოგის ან ინტერვიუს რეჟიმში და გამოიმუშავებს საჭირო რაოდენობის ცოდნასა და ინფორმაციას ობიექტთან მუშაობისთვის. მისი გამოყენებაც შესაძლებელია კითხვარები,რომლებიც შემდეგ შესაბამისად მუშავდება.

ცხრილი 1 საგნის ექსპერტისგან ცოდნის მოპოვების მეთოდები.

მეთოდი	აღწერა
სამუშაო ადგილის მეთვალყურეობა	უყურეთ ექსპერტს, რომელიც წყვეტს რეალურ პრობლემებს თავის სამუშაო ადგილზე.
ამოცანების განხილვა	კონკრეტული პრობლემების გადასაჭრელად საჭირო მონაცემების, ცოდნისა და პროცედურების ტიპების იდენტიფიცირება.
დავალებების აღწერა	სთხოვეთ ექსპერტს აღწეროს პროტოტიპური პრობლემა შესაძლო პასუხების თითოეული კატეგორიისთვის.
დავალების ანალიზი	წარუდგინეთ ექსპერტს რეალისტური ამოცანების სერია ხმამაღლა გადასაჭრელად, რათა დაადგინოს ლოგიკური საფუძველი მსჯელობის კონკრეტული საფეხურებისთვის.
სისტემის დასრულება	სთხოვეთ ექსპერტს მოგაწოდოთ რამდენიმე პრობლემა ინტერვიუს დროს განსაზღვრული წესების გამოყენებით.
სისტემის შეფასება	სთხოვეთ ექსპერტს, შეამოწმოს სისტემა და გააკრიტიკოს პროტოტიპის სისტემის წესები და კონტროლის სტრუქტურა.
სისტემის შემოწმება	მიეცით ექსპერტის მიერ გადაწყვეტილი მაგალითები და პროტოტიპული სისტემა სხვა დამოუკიდებელ ექსპერტებს შედარებისა და შეფასებისთვის.

ზოგიერთი ამოცანისთვის წიგნები დამატებითი ინფორმაციის წყაროა , ტექნოლოგიური აღწერილობები, ინსტრუქციები, დოკუმენტები. მეთოდები ე.წ « ტვინის შტურმინგი ».

ობიექტის შესახებ ცოდნა შეიძლება ჩამოყალიბდეს ინფორმაციის სტატისტიკური დამუშავების და სიმულაციური ექსპერიმენტების შედეგების შესახებ ინფორმაციის გამოყენებით.

ცოდნის კიდევ ერთი მნიშვნელოვანი წყაროა ინტერნეტი. საჭირო ინფორმაციისა და ცოდნის ინტერნეტში ტრადიციული ძიების გარდა, ინტელექტუალური აგენტები ამჟამად ჩართულნი არიან ცოდნის ძიების პროცესში.

ცოდნის შეგროვების პროცესის ავტომატიზაცია.

ცოდნის მოპოვების ავტომატიზაცია და ცოდნის ბაზაში ჩაწერა. სპეციალისტის ცოდნის არაავტომატური შეგროვება შრომატევადი პროცესია. განვითარებული ინტელექტუალური სისტემები იძლევა დამხმარე საშუალებებს ცოდნის მისაღებად.

არაფორმალური ცოდნის ავტომატური სტრუქტურირება, ხელმისაწვდომია ინტერნეტში განაწილებული ჰიპერმედიის სისტემის - ვებ- საშუალებით. ვებ-ზე დაფუძნებული ჰიპერმედიის ტექნოლოგია უზრუნველყოფს იდეალურ მიდგომას ცოდნაზე დაფუძნებული სისტემების განვითარებისათვის, ადამიანისა და მანქანით ურთიერთქმედების არხების შესაძლებლობების გაზრდის გზით. ეს ახალი მიდგომა ჰიპერმედია ტექნოლოგიის ინტეგრირებისთვის ცოდნის მოპოვებასთან ეხება ცოდნას, სანამ ის ფორმალიზდება. ბევრი ვებ საძიებო სისტემა მოიცავს ინტელექტუალურ აგენტებს, რათა ამოიცნონ და მიაწოდონ საჭირო ინფორმაცია ინდივიდუალური საჭიროებებისა და მოთხოვნების საფუძველზე. ვებ მექანიზმების საშუალებით მოწოდებული ინფორმაციის რაოდენობის ექსპონენციალური ზრდის მიზეზი არის განაწილებულ ჰიპერმედია სისტემებში ინფორმაციის სტრუქტურირების მეთოდების შემუშავება. ჰიპერმედიის ტექნოლოგიასა და ცოდნის მოპოვების ტექნიკას შორის ამ ინტეგრაციას შეუძლია უზრუნველყოს ცოდნის მოპოვების მძლავრი ინსტრუმენტი.

ცოდნის წარმოდგენა.

პრობლემას მნიშვნელოვანი ადგილი უჭირავს ცოდნის მართვის სისტემებშიცოდნის წარმოდგენა, რაც მთავარია.

ასევე არსებობს მთელი რიგი პრობლემები, რომლებიც საერთოა ყველა SDR-ისთვის. Ესენი მოიცავს,

კერძოდ, პრობლემები:

ახალი ცოდნის შეძენა და მისი ურთიერთქმედება არსებულებთან;

ასოციაციური კავშირების ორგანიზაცია;

პრეზენტაციის ელემენტების ზომის დიაპაზონის არჩევა, რომელიც დაკავშირებულია იმასთან, თუ როგორ შეიძლება დეტალურად იყოს აღწერილი ობიექტები და მოვლენები და რამდენად შეიძლება იყოს წარმოდგენილი გარე სამყარო კონკრეტულ სისტემაში;

სემანტიკური პრიმიტივების გაურკვევლობა და არჩევანი;

მოდულარულობა და გაგება;

ცოდნის სიცხადე და ხელმისაწვდომობა;

წარმოდგენის დეკლარაციული და პროცედურული კომპონენტების თანაფარდობის არჩევა, რაც გავლენას ახდენს სისტემის ეფექტურობაზე, სისრულეზე, კოდირების სიმარტივესა და გაგებაზე.

ცოდნის წარმოდგენის მოდელები.

ცოდნის წარმოდგენის მოდელები შეიძლება დაიყოს დეკლარაციულიდა პროცედურული.

დეკლარაციული მოდელი ცოდნის წარმოდგენა ემყარება იმ ვარაუდს, რომ გარკვეული საგნობრივი სფეროს წარმოდგენის პრობლემა მოგვარებულია იმისდა მიუხედავად, თუ როგორ იქნება გამოყენებული ეს ცოდნა. ამრიგად, მოდელი, როგორც ჩანს, შედგება ორი ნაწილისგან: სტატიკური აღწერილობითი ცოდნის სტრუქტურები და დასკვნის მექანიზმიამ სტრუქტურებით მოქმედი და მათი შინაარსისგან პრაქტიკულად დამოუკიდებელი. ამავდროულად, ცოდნის სინტაქსური და სემანტიკური ასპექტები ცალკე აღმოჩნდება, რაც წარმოდგენის ამ ფორმების უპირატესობაა გარკვეული მიღწევის შესაძლებლობის გამო.

მრავალმხრივობა.

დეკლარაციული მოდელები არ შეიცავს განსახორციელებელი პროცედურების მკაფიო აღწერას. ეს მოდელები წარმოადგენს მრავალფეროვან განცხადებებს. საგნობრივი სფერო წარმოდგენილია როგორც

მისი მდგომარეობის სინტაქსური აღწერა.

გადაწყვეტილებების წარმოშობა ძირითადად ეფუძნება ძიების პროცედურებსსახელმწიფო სივრცე.

პროცედურული თვალსაზრისით ცოდნა შეიცავს მცირე პროგრამებში არსებულ პროცედურებს, რომლებიც განსაზღვრავენ, თუ როგორ უნდა შეასრულონ კონკრეტული ქმედებები (როგორ მოვიქცეთ კონკრეტულ სიტუაციებში).

ამ შემთხვევაში, არ არის აუცილებელი გარემოს ან ობიექტის ყველა შესაძლო მდგომარეობის აღწერა, რათა განხორციელდეს გამოსავალი. საკმარისია შევინახოთ რამდენიმე საწყისი მდგომარეობა და პროცედურა, რომელიც ქმნის სიტუაციებისა და მოქმედებების აუცილებელ აღწერას. ცოდნის პროცედურული წარმოდგენით სემანტიკა უშუალოდ ჩართულია ცოდნის ბაზის ელემენტების აღწერაში, რითაც იზრდება გადაწყვეტილებების პოვნის ეფექტურობა.

ცოდნის წარმოდგენის გზის არჩევა.

ცოდნის ბაზის შექმნისას მნიშვნელოვანი საკითხია მეთოდის არჩევანიცოდნის წარმოდგენები. ცოდნის წარმოდგენის მიზანია ორგანიზაციასაჭირო ინფორმაცია იმ ფორმით, რაც აქვს AI პროგრამასმასზე მარტივი წვდომა გადაწყვეტილების მიღების, დაგეგმვის, სწავლისთვისსაგნები და სიტუაციები, სცენის ანალიზი, დასკვნების გამოტანა და სხვაშემეცნებითი ფუნქციები.

პროცესთან მიმართებაში ცოდნის წარმოდგენის მოდელების ძირითადი ტიპებიKB განვითარება:

პირველი რიგის პრედიკატების ლოგიკის გამოყენებისას (დედუქციური ლოგიკა) ცოდნის ბაზა შეიძლება ჩაითვალოს ლოგიკური ფორმულების ერთობლიობად, რომელიცუზრუნველყოს პრობლემური გარემოს ნაწილობრივი აღწერა.

საშუალებას გაძლევთ აღწეროთ მოვლენების, ცნებების, სიტუაციების ან მოქმედებების ობიექტების თვისებები და ურთიერთობები მიმართული გრაფიკის გამოყენებით, რომელიც შედგება წვეროებისა და ეტიკეტირებული კიდეებისგან.

ჩარჩოებიარის დეკლარაციულ-პროცედურული სტრუქტურები. ბევრ ჩარჩო სტრუქტურაში შესაძლებელია მემკვიდრეობითი ურთიერთობების განხორციელება, რომლებშიც ობიექტებს შეუძლიათ უფრო აბსტრაქტული ობიექტების ატრიბუტების მემკვიდრეობა. ცოდნის ორგანიზების ეს ფორმა საშუალებას გაძლევთ დაზოგოთ მეხსიერების სივრცე.

წარმოების მოდელები (If-Then წესების საფუძველზე)ცოდნის წარმოდგენის ყველაზე პოპულარული გზაა. წარმოების მოდელების გამოყენებით ცოდნის ორგანიზებისას, ცოდნის ბაზა შეიცავს წარმოების წესებს, ხოლო მონაცემთა ბაზა შეიცავს ინფორმაციას, რომელიც აჩვენებს მოგვარებული პრობლემის მიმდინარე მდგომარეობას. საკონტროლო განყოფილება ახდენს საჭირო წესის ინიციალიზაციას.

დიდი სირთულეები წარმოიქმნება ბუნდოვანი ცოდნის მოდელების შექმნისას.

ასეთი ცოდნის ფორმალიზაცია ხორციელდება ბუნდოვანი სიმრავლეების თეორიის საფუძველზე. ასევე შემუშავებულია მოდელები, რომლებიც დაფუძნებულია ხელოვნურ ნერვულ ქსელებზე (ANN), მრავალ აგენტურ სისტემებზე, გენეტიკურ ალგორითმებზე და ცოდნის წარმოდგენისა და დამუშავების სხვა მოდელებზე.

ცოდნის ძიება და შენახვა.

პოიგსაჭირო ცოდნის შესანახად და შესანახადგნაქსოვიგშინაარსიკორპორატიული მეხსიერება , რაც, ადამიანის მეხსიერების ანალოგიით, საშუალებას გაძლევთ გამოიყენოთ წინა გამოცდილება და თავიდან აიცილოთ შეცდომების გამეორება, რაც ჯერ კიდევ საკმაოდ რთულია პრაქტიკაში განხორციელება.

კორპორატიული მეხსიერება ინახავს ჰეტეროგენულ ინფორმაციას სხვადასხვა დაგსიზუსტე და ხდის მას ხელმისაწვდომი მომხმარებლებისთვის კორპორატიული პრობლემების გადასაჭრელად.

აქტუალური ხდება ცოდნის წარმოდგენის მოდელის შემუშავება, რომელიც უზრუნველყოფს ინფორმაციის ავტომატიზირებულ დამუშავებასგსემანტიკური დონე ცოდნის მართვის სისტემებში.

ბოლო დროს ონტოლოგია სულ უფრო პოპულარული ხდება.

ცოდნის ინჟინერიის სფეროში შეიქმნა სხვადასხვა ხელსაწყოები და მოდელები ცოდნის და მისი წარმოდგენის ეფექტურად მართვის მიზნით. მოდით გადავხედოთ ზოგიერთ მათგანს ჩვენს გვერდზე ცოდნის ინჟინერიის მეთოდებზე.

ცოდნის ინჟინერიაარის მოდელების, მეთოდებისა და ტექნიკის ნაკრები, რომელიც მიზნად ისახავს სისტემების შექმნას, რომლებიც შექმნილია პრობლემების გადასაჭრელად ცოდნის გამოყენებით. ცოდნა არის შეზღუდული სემანტიკის მქონე ინფორმაცია, თუმცა, გამოყენებითი ასპექტების პერსპექტივიდან, აუცილებელია ცოდნას ჰქონდეს ისეთი ფორმა, რომელიც გარკვეულწილად ხასიათდება მიზნის მიღწევის თავისუფლებით. ეს თავისუფლება რამდენად არის დასაშვები, ან რა პირობებს უნდა აკმაყოფილებდეს ცოდნა, აღწერითი შესაძლებლობების ჩათვლით, დამოკიდებულია მისი გამოყენების სფეროზე. ტექნიკური აპლიკაციების სფეროში და ეკონომიკაში გამოიყენება საპრეზენტაციო საშუალებების მრავალფეროვნება და ლინგვისტური აღწერის გარდა მოიცავს ნახატებს, მათემატიკურ ფორმულებს და ა.შ.

მიუხედავად იმისა, რომ ენობრივი წარმოდგენა შემოიფარგლება შედარებით მარტივი ფორმალიზმებით, ის ყოველთვის არ არის მოსახერხებელი ტექნიკური და ეკონომიკური სფეროებისთვის. ეს გამოწვეულია მათი სპეციფიკური ბუნებით, რადგან მათში ყველაფერი ფაქტებითა და ობიექტური რეალობით განისაზღვრება.

შემდეგ პრეზენტაციაში, ენის აღწერილობას, რომელიც საჭიროა ინფორმაციის გამოყენებით სფეროებში (მათ შორის, ენა მისი ფართო გაგებით და გრაფიკა) დაერქმევა ცოდნის წარმოდგენის ენას. ასეთი ინფორმაციის ცოდნის სახით გამოყენება მოითხოვს ინტელექტუალურ ფუნქციებს, რომლებიც ამჟამად აღემატება თანამედროვე კომპიუტერების შესაძლებლობებს. ცოდნის წარმოდგენა, მისი დამუშავება და გამოყენება, განხილული კონკრეტულ აპლიკაციურ სფეროსთან მიმართებაში, არის ცოდნის ინჟინერიის საგანი.

ცოდნის ინჟინერიამ თავისი ადგილი დაიკავა, როგორც ცოდნის გამოყენების ტექნოლოგიამ, როდესაც ის გამოჩნდა ხელოვნური ინტელექტის სიღრმიდან და განაგრძო ინტენსიურად განვითარება ბოლო წლებში.

ხელოვნური ინტელექტის კვლევამ დაადგინა მოსაზრება, რომ ის, რაც ნამდვილად საჭიროა პრობლემების გადასაჭრელად, არის ექსპერტის ცოდნა. ანუ, თუ თქვენ შექმნით სისტემას, რომელსაც შეუძლია დაიმახსოვროს და გამოიყენოს საექსპერტო ცოდნა, მაშინ ის იპოვის გამოყენებას პრაქტიკულ საქმიანობაში.

და როდესაც ხელოვნური ინტელექტის მკვლევარებმა რეალურად შექმნეს მსგავსი სისტემა გასული საუკუნის 60-იანი წლების ბოლოს და 70-იანი წლების დასაწყისში, ყველა ეს მოსაზრება დადასტურდა.

ეს არის DENDRAL და მოგვიანებით MYCIN სისტემები, შექმნილი E. Feigunbaum-ის ხელმძღვანელობით, სტენფორდის უნივერსიტეტში აშშ-ში. ვინაიდან ეს სისტემები აგროვებენ ექსპერტულ ცოდნას კომპიუტერის მეხსიერებაში და იყენებენ ამ ცოდნას პრობლემების გადასაჭრელად, საჭიროების შემთხვევაში მეხსიერებიდან ამოღებას. მათ უწოდებენ ექსპერტს და პროფესორმა ე. ფეიგენბაუმმა, საექსპერტო სისტემების (ES) ერთ-ერთმა შემქმნელმა, წამოაყენა სახელწოდება "ცოდნის ინჟინერია" ტექნოლოგიის ამ დარგისთვის.

სინამდვილეში, ცოდნის ინჟინერია არის ES მეთოდოლოგია, რომელიც მოიცავს წესებში ექსპერტული ცოდნის მოპოვების, ანალიზისა და გამოხატვის მეთოდებს. ES-ის განვითარებამ შექმნა ცოდნის ინჟინერია - ინტელექტუალური სისტემების აგების პროცესი.

ცოდნის ინჟინერია მჭიდრო კავშირშია ზოგადად ინტელექტუალური საინფორმაციო სისტემების განვითარების მთელ პროცესთან და კონკრეტულად ES-თან - იდეის წარმოშობიდან მის განხორციელებამდე და გაუმჯობესებამდე.

ცოდნის ინჟინერიის ძირითადი ელემენტებია ისეთი ოპერაციების გამოყენება, როგორიცაა განზოგადება, ჰიპოთეზების გენერირება ინდუქციური დასკვნებისთვის, ახალი პროგრამების მომზადება თავად კომპიუტერული პროგრამებით და ა.შ.

სიტყვა ინჟინერია ინგლისურად ნიშნავს საგნების ოსტატურად დამუშავებას, რაღაცის გამოგონებას ან შექმნას. შესაბამისად, პიროვნების ან კომპიუტერის (პროგრამის) მიერ შესრულებული პრობლემური სფეროს სპეციალური საექსპერტო ცოდნით პროგრამების აღჭურვის სამუშაოს ასევე შეიძლება ეწოდოს ცოდნის ინჟინერია.

1.2. კვლევების განვითარება ხელოვნური ინტელექტის სფეროში.

ხელოვნური ინტელექტი, როგორც მეცნიერება, დაარსდა მკვლევართა სამი თაობის მიერ.

ცხრილი 9.1 აჯამებს ინტელექტისა და ცოდნის ინჟინერიის ისტორიაში მნიშვნელოვან მოვლენებს, მაკკალოკისა და პიტსის პიონერული ნამუშევრებიდან 1943 წელს დამთავრებული ექსპერტული სისტემების ერთობლივი ძალისხმევის მიმდინარე ტენდენციებამდე, ბუნდოვანი ლოგიკა და ნერვული გამოთვლები თანამედროვე ცოდნაზე დაფუძნებულ სისტემებში, რომლებსაც შეუძლიათ გამოთვლა. სიტყვების გამოყენებით.

ცხრილი 9.1 - AI და ცოდნის ინჟინერიის ისტორიის ძირითადი მოვლენების მოკლე ჩამონათვალი.

ამრიგად, ისტორიულად, ხელოვნური ინტელექტის სფეროში განვითარებული მოვლენები განხორციელდა ორი ძირითადი მიმართულებით:

პირველი მიმართულება დაკავშირებულია ინტელექტუალური მანქანების განვითარების მცდელობებთან მათი ბიოლოგიური პროტოტიპის - ადამიანის ტვინის მოდელირებით. ახლა ეს სფერო აღორძინდება თანამედროვე ტექნიკისა და პროგრამული უზრუნველყოფის შემუშავების საფუძველზე (მიკროჩიპები, რომლებიც დაფუძნებულია საეჭვო ლოგიკაზე, განაწილებული მულტიპროცესორული სისტემები, მრავალ აგენტური სისტემები, რბილი გამოთვლები, გენეტიკური ალგორითმები და ნერვული ქსელები და ა.შ.).

მეორე მიმართულება დაკავშირებულია კომპიუტერებისთვის მეთოდების, ტექნიკის, სპეციალიზებული მოწყობილობებისა და პროგრამების შემუშავებასთან, რომლებიც გადაწყვეტენ რთული მათემატიკური და ლოგიკური პრობლემების გადაწყვეტას, რაც შესაძლებელს ხდის ადამიანის ინდივიდუალური ინტელექტუალური მოქმედებების ავტომატიზაციას (ცოდნაზე დაფუძნებული სისტემები, საექსპერტო სისტემები, გამოყენებითი ინტელექტუალური სისტემები. ).

ეს ორი მიმართულება, როგორც იქნა, განსაზღვრავს მინიმალურ პროგრამას და მაქსიმალურ პროგრამას, რომელთა შორისაა AI სისტემების დღევანდელი კვლევისა და განვითარების სფერო (ნახ. 9.4). ხაზგასმულია ხელოვნური ინტელექტის პროგრამული და აპარატურის შემუშავების სამუშაოები ცალკე ტერიტორიაზე.

სურ.9.4 - AI-ს სფეროში კვლევის ძირითადი მიმართულებები.

ჩვენ, პირველ რიგში, დაინტერესებული ვართ მეორე მიმართულებით: გამოყენებითი ინტელექტუალური სისტემები და ელექტრონული სისტემები ისეთ საგნებში, როგორიცაა წარმოება, პროცესის მენეჯმენტი, მარკეტინგის მენეჯმენტი, ფინანსური მენეჯმენტი, საბანკო საქმე და საფონდო ბაზარი.

1.3. ხელოვნური ინტელექტის თეორია და პრაქტიკა.

მოწყობილობებისა და სისტემების შემუშავების პროცესი, რომლებიც ავლენენ ინტელექტუალურ მახასიათებლებს, მოიცავს სხვადასხვა მეცნიერებებსა და ტექნოლოგიებს, როგორიცაა ლინგვისტიკა, ფსიქოლოგია, ფილოსოფია, კომპიუტერული ტექნიკა და პროგრამული უზრუნველყოფა, მექანიკა, ჰიდრავლიკა და ოპტიკა.

ფსიქოლოგიასა და AI-ს შორის ინტერესების გადაკვეთა კონცენტრირებულია კოგნიტური მეცნიერებისა და ფსიქოლინგვისტიკის სფეროებში. ფილოსოფია და AI თანამშრომლობენ ლოგიკის, ენის ფილოსოფიის და გონების ფილოსოფიის სფეროებში. კროსოვერი ინჟინერიასა და AI-ს შორის მოიცავს გამოსახულების დამუშავებას, შაბლონების ამოცნობას და რობოტიკას.

მოგვიანებით, მენეჯმენტისა და ორგანიზაციის თეორიამ (როგორიცაა გადაწყვეტილების მიღება და განხორციელება), ქიმია, ფიზიკა, სტატისტიკა, მათემატიკა, მენეჯმენტის თეორია, ევრისტიკული პროგრამირება და მართვის საინფორმაციო სისტემებმა თავიანთი წვლილი შეიტანეს.

AI არის მეცნიერება და ტექნოლოგია და არა კომერციული სფერო. ეს არის ცნებებისა და იდეების კრებული, რომელიც განკუთვნილია კვლევისთვის. თუმცა, ხელოვნური ინტელექტი უზრუნველყოფს მეცნიერულ საფუძველს რამდენიმე განვითარებადი კომერციული ტექნოლოგიებისთვის. ხელოვნური ინტელექტის ძირითადი გამოყენებითი ტექნოლოგიებია საექსპერტო სისტემები, ინტელექტუალური გადაწყვეტილების მხარდაჭერის სისტემები, ბუნებრივი ენის დამუშავება, მეტყველების გაგება, ბუნდოვანი ლოგიკა, რობოტიკა და სენსორული სისტემები, კომპიუტერული ხედვა და ნიმუშის ამოცნობა. სურათზე 9.5 წარმოდგენილია ხელოვნური ინტელექტის ძირითადი დისციპლინები და აპლიკაციები.

სურ.9.5 - დისციპლინები, რომლებზედაც დაფუძნებულია AI და მისი აპლიკაციები.

ამჟამად არსებული AI სისტემების გამოყენების სფეროები მოიცავს სამედიცინო დიაგნოსტიკას, გეოლოგიური მონაცემების ინტერპრეტაციას, სამეცნიერო კვლევებს ქიმიასა და ბიოლოგიაში, სამხედრო საქმეებში, წარმოებაში, ფინანსებში და ეკონომიკის სხვა სფეროებში. თუმცა, ხელოვნური ინტელექტის სფეროში მნიშვნელოვანი მიღწევების მიუხედავად, ჯერ კიდევ არსებობს გარკვეული უფსკრული ტექნიკურ განვითარებას, ხელოვნური ინტელექტის პროგრამულ უზრუნველყოფასა და მათ უფრო ფართო პრაქტიკული გამოყენების შესაძლებლობებს შორის, განსაკუთრებით ეკონომიკაში.

ყველაზე წარმომადგენლობითი სექტორი, რომელიც აგროვებს ეკონომიკური სფეროს სხვადასხვა პრობლემურ სფეროს, არის სამრეწველო საწარმოს მართვა. მისი მაგალითი ნათლად აჩვენებს ხელოვნური ინტელექტის სისტემების გამოყენების უპირატესობებს, როგორც სხვადასხვა საგნის სპეციფიკური პრობლემების გადასაჭრელად, ასევე მთლიანობაში ინტეგრირებული საწარმოს სისტემის მართვისთვის.

არსებობს მრავალი არგუმენტი იმის სასარგებლოდ, რომ ხელოვნური ინტელექტის სისტემები შეიძლება და უნდა გახდეს სასიცოცხლო კომპონენტი თანამედროვე წარმოების ტექნოლოგიაში. მოდით შევხედოთ მთავარებს.

საწარმოს წინაშე მდგარი მთავარი პრობლემა (მენეჯმენტის თვალსაზრისით) სირთულის დაძლევის პრობლემაა. მოგეხსენებათ, მენეჯმენტის სირთულეები წარმოიქმნება მაშინ, როდესაც არჩევანის გაკეთება გიწევთ მრავალი შესაძლო გადაწყვეტილებისგან. ეს შეიძლება იყოს გადაწყვეტის საინჟინრო არჩევანი (როგორ შეიმუშაოთ ეს პროდუქტი), გრაფიკის არჩევანი (როგორ გამოვიდეს ეს პროდუქტი) და ა.შ.

ეს პრობლემა მწვავდება მოქნილი წარმოების სისტემების შემთხვევაში. მოქნილობის დამატება იწვევს ალტერნატივების რაოდენობის ზრდას და, შესაბამისად, პროდუქტის წარმოების შესაძლო ვარიანტებს. დღეს უკვე ძალიან რთულია პროდუქციის წარმოების ეტაპების დაგეგმვა „მყარი“ პროგრამული უზრუნველყოფის გამოყენებით. თავად პროდუქციის სირთულის ზრდა ასევე იწვევს უფრო რთულ დიზაინს.

წარმოების მენეჯმენტი მოითხოვს დიდი რაოდენობით ინფორმაციის დამუშავებას. რეალურ დროში მოქმედი ობიექტებიდან ინფორმაციის მოპოვების პრობლემა ახლა მოგვარებულია. მაგრამ ამან წარმოშვა კიდევ ერთი პრობლემა: როგორ შევამციროთ ინფორმაციის რაოდენობა იმ დონემდე, რომელიც რეალურად აუცილებელია ინდივიდისთვის გადაწყვეტილების მისაღებად? ამავდროულად, უნდა აღინიშნოს, რომ რეალურ დროში მოქმედი ობიექტებიდან მომდინარე ინფორმაციის დაკარგვამ შეიძლება მნიშვნელოვნად იმოქმედოს საბოლოო შედეგზე.

გადაწყვეტილების მისაღებად დროის ნაკლებობა კიდევ ერთი პრობლემაა, რომელიც წარმოიქმნება უფრო რთული. არანაკლებ მნიშვნელოვანია კოორდინაციის პრობლემა. ცნობილია, რომ ინჟინერია განუყოფლად არის დაკავშირებული წარმოების, დისტრიბუციისა და დამხმარე სფეროებთან. თუ დიზაინი არ არის ოპტიმალური წარმოების, სასაწყობო, დისტრიბუციის ან დამხმარე წარმოების ეტაპებთან მიმართებაში, მას შეუძლია გაზარდოს წარმოების ღირებულება და შეამციროს პროდუქციის ხარისხი.

და ბოლოს, ძალიან მნიშვნელოვანი ფაქტორია ცალკეული გამოცდილი ექსპერტების ცოდნის შენარჩუნებისა და გავრცელების აუცილებლობა, მათ მიერ მრავალწლიანი მუშაობის პროცესში შეძენილი და ფართო პრაქტიკული გამოცდილება. ცოდნის მოპოვებისა და გავრცელების პრობლემა დღეს მწარმოებელი ორგანიზაციების ერთ-ერთი მთავარი პრობლემაა.

ამრიგად, ხდება მართვის საინფორმაციო სისტემების ინტელექტუალიზაცია და მათი ტრანსფორმაცია ინტელექტუალურ DSS-ად, რომლის ძირითადი ტიპია ES. ეს არის ყველაზე მნიშვნელოვანი და მნიშვნელოვანი გამოყენებითი AI ტექნოლოგიები ეკონომიკისთვის და ბიზნესისთვის.

1.4. ინტელექტუალური გადაწყვეტილების მხარდაჭერის საინფორმაციო სისტემები.

ორგანიზაციულ და ეკონომიკურ სისტემებში ინფორმაციული სისტემების მუშაობის გამოცდილებამ აჩვენა, რომ ამ სისტემებში და მართვის მარყუჟში ყველაზე მნიშვნელოვანი როლი უნდა იყოს პიროვნება (მენეჯერი; გადაწყვეტილების მიმღები - გადაწყვეტილების მიმღები).

არ უნდა დაგვავიწყდეს, რომ მენეჯმენტი ეკონომიკურ და ორგანიზაციულ-ტექნიკურ სისტემებში არის რთული შემოქმედებითი პროცესი, რომელიც მოითხოვს ინტელექტუალური საქმიანობის უზრუნველყოფის სხვადასხვა ფორმებს. შემოქმედებითი ელემენტის (გამოცდილება, ინტუიცია) მნიშვნელობის დაკნინება და, პირიქით, მენეჯმენტის რიგი ამოცანების ფორმალიზების შესაძლებლობების გაზვიადება აუცილებლად მიგვიყვანს იმ ფაქტამდე, რომ რეალური შედეგები სრულად არ ამართლებს იმ მოლოდინებს, რომლებიც დაკავშირებული იყო და უკავშირდება მენეჯმენტის კომპიუტერიზაციას. და გადაწყვეტილების მიღება.

როგორც ჩანს, ეს არის საინფორმაციო სისტემებში და გადაწყვეტილების მხარდაჭერის სისტემებში ოპტიმიზაციის მეთოდების არასაკმარისად ეფექტური გამოყენების მიზეზი. როდესაც ვსაუბრობთ მომხმარებლის ურთიერთქმედების შესახებ ოპტიმიზაციის მოდელებთან, აპრიორი ვარაუდობენ, რომ ეს მოდელები ადეკვატურია რეალური ობიექტისთვის. ამასთან, სირთულე, მნიშვნელოვანი არაწრფივობა, ამოცანების სუსტი სტრუქტურა, გაურკვეველი პრეფერენციები და გაურკვეველი საწყისი ინფორმაცია არ აძლევს დეველოპერებს უმეტეს შემთხვევაში საშუალებას შექმნან ობიექტების ადეკვატური მოდელები. ამ მიმართულებით „გასაღები“ უნდა იყოს და უკვე აქტიურად ხდება ხელოვნური ინტელექტის მეთოდები და მოდელები, კერძოდ, გამოყენებითი, ცოდნაზე დაფუძნებული სისტემები (ანუ ინტელექტუალური სისტემები).

არსებული მართვის ობიექტების უმეტესობა სუსტად სტრუქტურირებული ან ცუდად განსაზღვრული ობიექტებია, რომლებსაც აქვთ ტრადიციული მენეჯმენტისთვის მოულოდნელი რიგი თვისებები, როგორიცაა უნიკალურობა, არსებობის ფორმალიზებული მიზნის არარსებობა, ოპტიმალური ნაკლებობა, მაღალი დინამიზმი, ობიექტის არასრული აღწერა და და ბოლოს, გადაწყვეტილების მიმღების ინდივიდუალური ქცევა გადაწყვეტილების მიღების პროცესში.

პრაქტიკამ აჩვენა, რომ კომპიუტერის „მენეჯერისთვის“ პრაქტიკულად გადაულახავი სირთულეები ადამიანური მენეჯერის ძალაუფლებაშია. კვალიფიციური ექსპერტი, უნიკალური ობიექტის მართვაზე მუშაობის გარკვეული დროის შემდეგ, უმკლავდება ობიექტის აღწერის არასრულყოფილებას, საწყისი ინფორმაციის ბუნდოვანებას და ფორმალიზებული მიზნების ნაკლებობას (რა თქმა უნდა, ეს ეხება მენეჯმენტს. mnu პარამეტრის ძირითადი კონტროლიდან.

შესაბამისად, ობიექტის მართვაში პრაქტიკული საქმიანობის პროცესში გადაწყვეტილების მიმღები იძენს რაიმე ინსტრუმენტს, რომელიც ეხმარება მას ცუდად განსაზღვრული ობიექტების მართვის პრობლემების გადაჭრაში. ეს ინსტრუმენტი სხვა არაფერია, თუ არა ცოდნა. ამრიგად, წარმოიშვა იდეა ადამიანის ინტელექტუალური საქმიანობის ავტომატიზაციის აუცილებლობის შესახებ.

ეკონომიკაში საინფორმაციო სისტემების მთავარი მიზანია გადაწყვეტილების მიმღებთათვის საჭირო ინფორმაციის დროული წარდგენა, რათა მათ მიიღონ ადეკვატური და ეფექტური გადაწყვეტილებები პროცესების, რესურსების, ფინანსური ტრანზაქციების, პერსონალის ან მთლიანად ორგანიზაციის მართვისას. ამასთან, საინფორმაციო ტექნოლოგიების, ოპერაციების კვლევისა და მოდელირების ტექნოლოგიების განვითარების პროცესში, ისევე როგორც თავად გადაწყვეტილების მიმღებთათვის ინფორმაციის მომხმარებელთა და ანალიტიკური მხარდაჭერის მატებასთან ერთად, საჭიროა სისტემები, რომლებიც არამარტო წარმოადგენენ ინფორმაციას, არამედ ასრულებენ გარკვეულ წინასწარ მისი ანალიზი, რომელსაც შეუძლია გარკვეული რჩევებისა და რეკომენდაციების მიცემა, სიტუაციების განვითარების პროგნოზირება, გადაწყვეტილების ყველაზე პერსპექტიული ალტერნატივების შერჩევა, ე.ი. მხარი დაუჭიროს გადაწყვეტილების მიმღებთა გადაწყვეტილებებს, რუტინული ოპერაციების მნიშვნელოვან ნაწილს, ასევე წინასწარი ანალიზისა და შეფასების ფუნქციებს.

გადაწყვეტილების მხარდაჭერის საინფორმაციო სისტემა აკავშირებს მენეჯერის ინტელექტუალურ რესურსებს კომპიუტერის შესაძლებლობებთან და შესაძლებლობებთან გადაწყვეტილების ხარისხის გასაუმჯობესებლად. ეს სისტემები განკუთვნილია მენეჯერებისთვის, რომლებიც იღებენ მენეჯმენტის გადაწყვეტილებებს ნახევრად სტრუქტურირებულ და თავისუფლად განსაზღვრულ ამოცანებს.

ამრიგად, ISPR-ის შემდგომმა განვითარებამ განაპირობა ინტელექტუალური ინფორმაციის DSS-ის შექმნა.

ინტელექტუალური ISPR არის კომპიუტერული სისტემა, რომელიც შედგება 5 ძირითადი ურთიერთქმედების კომპონენტისგან: ენის ქვესისტემა (მომხმარებელსა და სხვა ISPR კომპონენტებს შორის კომუნიკაციის უზრუნველყოფის მექანიზმი), საინფორმაციო ქვესისტემა (მონაცემების შენახვა და მისი დამუშავების საშუალებები), ცოდნის მართვა. ქვესისტემა (პრობლემური სფეროს შესახებ ცოდნის შენახვა, როგორიცაა პროცედურები, ევრისტიკა და წესები და ცოდნის დამუშავების ხელსაწყოები), მოდელის მართვის ქვესისტემები და პრობლემის დამუშავებისა და პრობლემის გადაჭრის ქვესისტემები (კავშირი სხვა ქვესისტემებს შორის).

პრობლემების დამუშავებისა და გადაჭრის ქვესისტემა განაწილებულია და ფუნქციურად ინტეგრირებულია სხვა ქვესისტემებში და ახორციელებს თავის ინდივიდუალურ სპეციფიკურ ფუნქციებს მათ ფარგლებში. ამ ქვესისტემას აქვს გადაწყვეტილების მიღებისთვის ამოცანების მანიპულირებისა და დამუშავების ძირითადი შესაძლებლობები.

სურათი 9.6 გვიჩვენებს ინტელექტუალური ISPR-ის სტრუქტურის ვარიანტს.

სურ.9.6 - ინტელექტუალური DSS-ის სქემატური წარმოდგენა.

საინფორმაციო ქვესისტემა შედგება მონაცემთა ბაზისგან, მონაცემთა ბაზის მართვის სისტემისგან, მოთხოვნების ორგანიზებისთვის, მონაცემთა დირექტორიასა და მონაცემთა გარე წყაროებისგან.

მოდელის მართვის ქვესისტემა შედგება მოდელის მონაცემთა ბაზის, მოდელის მართვის სისტემის, მოდელირების ენებისგან, მოდელის საცნობარო წიგნისა და პროცესორისგან, რომელიც ახორციელებს მოდელზე დანერგვას, აერთიანებს მოდელებს და მართავს მოდელირების პროცესს.

მოდელის ბაზა შეიცავს ჩვეულებრივ და სპეციალურ სტატიკურ, ფინანსურ, პროგნოზირების, მართვის და სხვა რაოდენობრივ მოდელებს, რომლებიც უზრუნველყოფენ ISPR-ის ანალიტიკურ შესაძლებლობებს. მოდელებზე წვდომის, მათი გაშვების, ცვლილებების შეტანის, მოდელების კომბინირებისა და დამოწმების შესაძლებლობა არის ISPM-ის ძირითადი შესაძლებლობა, რომელიც განასხვავებს მათ ჩვეულებრივი საინფორმაციო სისტემებისგან.

მოდელის პროცესორი ჩვეულებრივ ახორციელებს შემდეგ მოქმედებებს:

მოდელის შესრულება, ე.ი. მოდელის მიმდინარე გაშვების ან დანერგვის მართვის პროცესი;

მოდელის ინტეგრაცია, ე.ი. საჭიროების შემთხვევაში რამდენიმე მოდელის ოპერაციების გაერთიანება;

სისტემის ინტერაქტიული კომპონენტიდან მომდინარე მოდელირების ინსტრუქციების დადასტურება და ინტერპრეტაცია და მათი გადაცემა მოდელის მართვის სისტემაში.

Მომხმარებლის ინტერფეისი ახორციელებს მომხმარებლისა და ISPR-ს შორის კომუნიკაციის ყველა ასპექტს. იგი მოიცავს არა მხოლოდ აპარატურასა და პროგრამულ უზრუნველყოფას, არამედ ფაქტორებსაც, რომლებიც ხელს უწყობენ ადამიანისა და მანქანის ურთიერთქმედების გამარტივებას და ხელმისაწვდომობას.

მოდელების მონაცემთა ბაზაში მოდელები შეიძლება დაიყოს მოდელების სტრატეგიულ, ტაქტიკურ, ოპერაციულ და კომპოზიტურ სამშენებლო ბლოკებად.

მოდელის მართვის სისტემის ფუნქციებია მოდელების შექმნა სტანდარტული მოდელის მოდულების გამოყენებით, ახალი სტანდარტული მოდულების და ანგარიშების გენერირება, მოდელების დამატება და მოდერნიზაცია, მათი ცვლილებები და მოდელის მონაცემებით მანიპულირება.

ცოდნის მართვის ქვესისტემა. ბევრი არასტრუქტურირებული და ნახევრად სტრუქტურირებული პრობლემა იმდენად რთულია, რომ მათი გადასაჭრელად ISPR-ის ჩვეულებრივი შესაძლებლობების გარდა, საჭიროა ექსპერტიზა.

ასეთი ექსპერტიზა შეიძლება უზრუნველყოფილი იყოს ES ან სხვა ინტელექტუალური სისტემით.

აქედან გამომდინარე, პირველი ISPS-ების უმეტესობა აღჭურვილია სისტემის კომპონენტით, რომელსაც ეწოდება ცოდნის მართვა. ასეთ კომპონენტს შეუძლია უზრუნველყოს საჭირო ექსპერტიზა გარკვეული ტიპის პრობლემების გადასაჭრელად და უზრუნველყოს ISPR-ის სხვა კომპონენტების ფუნქციონირება.

შესაძლებელია ცოდნაზე დაფუძნებული ინტელექტუალური სისტემების მათემატიკური მოდელირებასთან ინტეგრირების სხვადასხვა გზა.

მაგალითად, ხშირად ცოდნაზე დაფუძნებული გადაწყვეტილებები ეხმარება მათემატიკური მხარდაჭერის გარეშე ამოხსნის მოპოვების პროცესში ნაბიჯების მხარდაჭერას; ინტელექტუალური გადაწყვეტილების მოდელირების სისტემები შეიძლება დაეხმარონ მომხმარებლებს შექმნან, გამოიყენონ და მართონ მოდელების ბიბლიოთეკა ან მონაცემთა ბაზა; ანალიტიკური გადაწყვეტილება ES-ს შეუძლია თეორიულად მკაცრი გაურკვევლობის მეთოდების ინტეგრირება ES ცოდნის ბაზაში.

ცოდნის კომპონენტი შედგება ერთი ან მეტი ინტელექტუალური პროგრამული კომპონენტისგან. DBMS და მოდელის მართვის სისტემის მსგავსად, ცოდნის მართვის პროგრამული უზრუნველყოფა უზრუნველყოფს საჭირო შესრულებას და ინტეგრაციას ინტელექტუალურ სისტემებში.

ინფორმაციის DSS, რომელიც მოიცავს ასეთ კომპონენტს, ეწოდება ინტელექტუალური ინფორმაციის DSS, ინტელექტუალური DSS, ექსპერტი DSS, ექსპერტი სისტემები ან ცოდნაზე დაფუძნებული DSS.

ინტელექტუალური სისტემების გამოყენების აუცილებლობა.

ბევრი არგუმენტი არსებობს იმის სასარგებლოდ, რომ ინტელექტუალური სისტემები შეიძლება და უნდა გახდეს მნიშვნელოვანი კომპონენტი გადაწყვეტილების მიღებისა და მხარდაჭერის სისტემებში, თანამედროვე წარმოების ტექნოლოგიაში რთული ობიექტების მართვისას და ეკონომიკური პრობლემების ფართო სპექტრის გადაჭრისას.

თუ ობიექტის მაგალითს ავიღებთ საწარმოს, მაშინ მენეჯმენტის დროს წარმოიქმნება შემდეგი პრობლემები:

სირთულის დაძლევა (მართვის სირთულეები წარმოიქმნება მაშინ, როდესაც არჩევანის გაკეთება გიწევთ მრავალი შესაძლო გადაწყვეტიდან);

საწარმოს მართვა მოითხოვს ინფორმაციის დიდი მოცულობის ორგანიზებას;

როგორ შევამციროთ ინფორმაცია გადაწყვეტილების მისაღებად საჭირო დონემდე (რეალურ დროში მოქმედი ობიექტებიდან მომდინარე ინფორმაციის დაკარგვამ შეიძლება მნიშვნელოვნად იმოქმედოს შედეგზე);

გადაწყვეტილების მისაღებად დროის ნაკლებობა (გამოიხატება, როდესაც წარმოება რთულდება);

კოორდინაციის პრობლემა (გადაწყვეტილებები კოორდინირებული უნდა იყოს პროცესის სხვა ნაწილებთან ან ობიექტთან);

მრავალწლიანი მუშაობისა და დიდი პრაქტიკული გამოცდილების შედეგად მიღებული ძალიან გამოცდილი ექსპერტების ცოდნის შენარჩუნებისა და გავრცელების აუცილებლობა. ცოდნის მოპოვებისა და გავრცელების პრობლემა დღეს ერთ-ერთი მთავარი პრობლემაა.

მისი მენეჯერული (და ზოგადად რომ ვთქვათ, ნებისმიერი) საქმიანობის პროცესში ადამიანი იღებს და ესმის უზარმაზარ ინფორმაციას. თუმცა, ადამიანის ტვინის შეზღუდული შესაძლებლობები აიძულებს მას სიტყვიერად გადააკოპიროს საწყისი ინფორმაცია მდიდარი ინფორმაციის კოლტებად, ადამიანის ენის უნიკალური შესაძლებლობების გამოყენებით. ადამიანის თითქმის ყველა მსჯელობა ბუნებით მიახლოებითია.ამავდროულად, დასკვნის მარტივი ევრისტიკული წესების გამოყენებით, ადამიანი ადვილად უმკლავდება ბუნდოვან მსჯელობას.

ხელოვნური ინტელექტის მეცნიერები ყოველთვის ცდილობდნენ შეემუშავებინათ პროგრამები კომპიუტერებისთვის, რომლებსაც შეუძლიათ გარკვეული გაგებით „აზროვნება“, ე.ი. პრობლემების გადაჭრა ისე, რომ ჩვენ გონივრულად მივიჩნევთ, თუ გამოიყენებს ადამიანს.

კვლევისა და 20 წლიანი კვლევის შედეგად მივიდნენ დასკვნამდე, რომ პროგრამის ეფექტურობა პრობლემების გადაჭრაში დამოკიდებულია მის ცოდნაზე და არა მხოლოდ მის მიერ გამოყენებულ ფორმალიზმებსა და დასკვნის სქემებზე. ანუ, რომ პროგრამა ინტელექტუალური გახდეს, ის უნდა იყოს აღჭურვილი ბევრი მაღალი ხარისხის სპეციალიზებული ცოდნით გარკვეული საგნის შესახებ.

ამ ფაქტის გაგებამ განაპირობა სპეციალური სისტემების შექმნა, რომელთაგან თითოეული წარმოადგენს ექსპერიმენტს გარკვეულ ვიწრო საგანში.

ამ პროგრამებს ე.წ საექსპერტო სისტემები.

როგორც უკვე აღვნიშნეთ, საექსპერტო სისტემების მშენებლობის ტექნოლოგიას ხშირად ცოდნის ინჟინერიას უწოდებენ. როგორც წესი, ეს პროცესი მოითხოვს ურთიერთქმედების სპეციფიკურ ფორმას საექსპერტო სისტემის შემქმნელს, რომელსაც ეწოდება ცოდნის ინჟინერი, და ერთ ან რამდენიმე ექსპერტს შორის გარკვეული საგნობრივი სფეროს. ცოდნის ინჟინერი ექსპერტებისგან „ამოიღებს“ პროცედურებს, სტრატეგიებს და ცერის წესებს, რომლებსაც ისინი იყენებენ პრობლემების გადასაჭრელად და ამ ცოდნას საექსპერტო სისტემაში ათავსებს. ერთ-ერთი ყველაზე რთული პრობლემა, რომელიც წარმოიქმნება საექსპერტო სისტემების შექმნისას, არის ექსპერტის ცოდნისა და გადაწყვეტილებების მოსაძებნად გამოყენებული მეთოდების გადაქცევა ფორმაში, რომელიც საშუალებას მისცემს მათ წარმოადგინონ სისტემის ცოდნის ბაზაში და შემდეგ ეფექტურად გამოიყენონ პრობლემების გადასაჭრელად. მოცემულ საგნობრივ სფეროში.

როგორც წესი, ექსპერტი არ იყენებს პროცედურულ ან რაოდენობრივ მეთოდებს; მისი ძირითადი საშუალებებია ანალოგია, ინტუიცია და აბსტრაქცია. ხშირად ექსპერტი ვერც კი ხსნის, თუ როგორ იპოვა გამოსავალი. საუკეთესო შემთხვევაში, თქვენ მისგან მიიღებთ მხოლოდ ძირითადი ტექნიკის ან ევრისტიკის აღწერას, რაც დაეხმარა მას წარმატებით გაუმკლავდეს ამოცანას. ცოდნის ინჟინერს ევალება ამ აღწერილობების მკაცრ, სრულ და თანმიმდევრულ სისტემად გადაქცევის ძალიან რთული სამუშაო, რომელიც საშუალებას მისცემს გადაჭრას გამოყენებული პრობლემები არა უარესი, ვიდრე ამას თავად ექსპერტი გააკეთებს, რადგან ცოდნის ბაზის აგების პროცესი ცუდად არის სტრუქტურირებული და უფრო ციკლური ხასიათისაა, ვიდრე წრფივი.

ცოდნის ბაზის შექმნა მოიცავს სამ ეტაპს:

საგნის არეალის აღწერა;

ცოდნის წარმოდგენის მოდელის შერჩევა (შლის გამოყენების შემთხვევაში ეს ეტაპი გამორიცხულია);

ცოდნის შეძენა.

ცოდნის ბაზის შექმნის პირველი ნაბიჯი არის საგნობრივი სფეროს იდენტიფიცირება, საიდანაც საექსპერტო სისტემა ორიენტირებულია პრობლემების გადაჭრაზე. არსებითად, ეს ნამუშევარი ემყარება ინჟინრის ცოდნის განსაზღვრას სისტემის გამოყენების სფეროს საზღვრებზე და მის მიერ გადაწყვეტილი პრობლემების კლასზე. ამ შემთხვევაში აუცილებელია:

განსაზღვროს გადასაჭრელი ამოცანების ხასიათი;

საგნის არეალის ობიექტების შერჩევა;

ობიექტებს შორის კავშირის დამყარება;

აირჩიე ცოდნის წარმოდგენის მოდელი;

საგნის არეალის სპეციფიკური მახასიათებლების იდენტიფიცირება.

ცოდნის ინჟინერმა პრობლემა სწორად უნდა ჩამოაყალიბოს. ამავდროულად, მას უნდა შეეძლოს იმის აღიარება, რომ პრობლემა არ არის სტრუქტურირებული და ამ შემთხვევაში, თავი შეიკავოს მისი ფორმალიზების მცდელობისგან ან გადაჭრის სისტემატური მეთოდების გამოყენებისგან. ცოდნის ბაზის აგების საწყისი ეტაპის მთავარი მიზანია იმის დადგენა, თუ როგორი იქნება საგნის არეალის აღწერა აბსტრაქციის სხვადასხვა დონეზე. საექსპერტო სისტემა მოიცავს ცოდნის ბაზას, რომელიც იქმნება გარკვეული საგნობრივი სფეროს ფორმალიზაციით, რაც, თავის მხრივ, რეალური სამყაროს გარკვეული სუბიექტების აბსტრაქციის შედეგია.

დომენის იდენტიფიკაცია არის პირველი ნაბიჯი რეალური სამყაროს აბსტრაქციისთვის.

მას შემდეგ, რაც საგნობრივი სფერო გამოვლინდება, ცოდნის ინჟინერმა ოფიციალურად უნდა აღწეროს იგი. ამისათვის მან უნდა აირჩიოს მის შესახებ ცოდნის წარმოდგენის რაიმე გზა (ცოდნის წარმოდგენის მოდელი). თუ ჭურვი (ცარიელი ES) განისაზღვრება როგორც ინსტრუმენტი, მაშინ ცოდნის წარმოდგენის მოდელი განისაზღვრება შერჩეული ხელსაწყოთი. ფორმალურად, ცოდნის ინჟინერმა უნდა გამოიყენოს მოდელი, რომელიც საუკეთესოდ ასახავს საგნის სპეციფიკას.

საგნობრივი სფეროს ფორმალიზების შემდეგ მიღებული ცოდნის ბაზა მისი აბსტრაქციის შედეგია, ხოლო საგნობრივი არე, თავის მხრივ, გამოვლინდა რეალური სამყაროს აბსტრაქციის შედეგად. ადამიანს აქვს უნარი იმუშაოს სხვადასხვა ტიპის საგნებთან, გამოიყენოს ცოდნის წარმოდგენის სხვადასხვა მოდელები, განიხილოს რეალური სამყაროს ცნებები სხვადასხვა თვალსაზრისით, შეასრულოს სხვადასხვა ტიპის აბსტრაქცია, შეადაროს სხვადასხვა ბუნების ცოდნა და მიმართოს ფართო პრობლემების გადაჭრის სხვადასხვა მეთოდი. არსებობს ცოდნის ბაზების გაზიარების მაგალითები, რომლებიც ორიენტირებულია სხვადასხვა საგნობრივ სფეროზე, მაგრამ თანამედროვე სისტემების უმეტესობას შეუძლია პრობლემების გადაჭრა მხოლოდ ერთი საგნიდან.

ცოდნის ინჟინერი, უპირველეს ყოვლისა, ვალდებულია გამოიკითხოს ექსპერტი და მხოლოდ ამის შემდეგ დაიწყოს სისტემის აგება. ექსპერტი, რა თქმა უნდა, უნდა იყოს იმ სფეროს სპეციალისტი, რომელშიც სისტემა იმუშავებს. პირველი ნაბიჯი არის სისტემის დანიშნულების მიზნის განსაზღვრა. კონკრეტულად რა პრობლემები უნდა გადაჭრას ცოდნაზე დაფუძნებულმა სისტემამ? სისტემის განვითარების მიზნები უნდა იყოს ჩამოყალიბებული ზუსტად, სრულად და თანმიმდევრულად.

სისტემის განვითარების მიზნის დადგენის შემდეგ, ცოდნის ინჟინერი იწყებს ქვემიზნების ჩამოყალიბებას; ეს დაეხმარება მას სისტემის იერარქიული სტრუქტურის ჩამოყალიბებაში და მოდულებად დაყოფაში. გარკვეული ქვემიზნების დანერგვა განისაზღვრება ცოდნის ცალკეულ ფრაგმენტებს შორის კავშირების არსებობით. პრობლემა წარმოიქმნება პრობლემის ორ ან მეტ ნაკლებ სირთულის ქვეამოცნებად დაყოფაზე და შემდეგ მათი გადაჭრის პოვნაზე. საჭიროების შემთხვევაში, გაყოფის შედეგად მიღებული ქვეამოცნები შეიძლება შემდგომ გაიყოს.

ცოდნის ბაზის აგების შემდეგი ეტაპი არის საგნობრივი სფეროს ობიექტების იდენტიფიცირება ან, სისტემური თეორიის თვალსაზრისით, სისტემის საზღვრების დადგენა. ფორმალური სისტემის მსგავსად, იდენტიფიცირებული ცნებების ნაკრები უნდა იყოს ზუსტი, სრული და თანმიმდევრული.

ყველა ზემოაღნიშნულ კითხვაზე პასუხი საშუალებას გვაძლევს გამოვყოთ წყაროს მონაცემების საზღვრები. გამოსავლის საძიებო სივრცის ასაგებად აუცილებელია ქვემიზნების განსაზღვრა ზოგადი პრობლემის მიზნების იერარქიის თითოეულ დონეზე. იერარქიის სათავეში უნდა განთავსდეს დავალება, რომელიც თავისი ზოგადობით ასახავს სისტემის ფუნდამენტურ შესაძლებლობებსა და მიზანს.

საგნის არეალის ობიექტების იდენტიფიცირების შემდეგ აუცილებელია დადგინდეს რა კავშირები არსებობს მათ შორის. თქვენ უნდა შეეცადოთ იდენტიფიციროთ რაც შეიძლება მეტი კავშირი, იდეალურ შემთხვევაში ყველაფერი, რაც არსებობს საგნის არეალში.

საგნობრივი სფეროს შედეგად მიღებული თვისებრივი აღწერა, საჭიროების შემთხვევაში, უნდა იყოს წარმოდგენილი რაიმე ფორმალური ენის საშუალებით, რათა ეს აღწერა მივიდეს ისეთ ფორმამდე, რომელიც საშუალებას მისცემს მას მოთავსდეს სისტემის ცოდნის ბაზაში. ამ პრობლემის გადასაჭრელად შეირჩევა ცოდნის გამოსახვის შესაფერისი მოდელი, რომლის დახმარებითაც შესაძლებელია საგნობრივი სფეროს შესახებ ინფორმაციის ფორმალურად გამოხატვა.

და ბოლოს, უნდა განისაზღვროს საგნობრივი სფეროს სპეციფიკური მახასიათებლები, რომლებიც ართულებს გამოყენებული პრობლემების გადაჭრას. ამ მახასიათებლების ტიპი დამოკიდებულია სისტემის დანიშნულებაზე.

რეკომენდებულია ცოდნაზე დაფუძნებული სისტემის შემუშავება შემდეგი თანმიმდევრობით:

აირჩიეთ პრობლემა, რომლის ბუნება საშუალებას გაძლევთ გამოიყენოთ ექსპერტი სისტემის ტექნოლოგიები მის გადასაჭრელად.

ზუსტად განსაზღვრეთ პრობლემის გადაჭრის მიზანი.

რაც შეიძლება ღრმად შედი პრობლემის არსში.

დააყენეთ ქვემიზნები დავალების ქვეამოცნებებად დაყოფით.

განსაზღვრეთ საგნის არეალის სპეციფიკური მახასიათებლები.

იპოვეთ ექსპერტი, რომელიც სპეციალიზირებულია თქვენს მიერ არჩეულ საგანში და დათანხმდით, რომ დაგეხმაროთ ცოდნაზე დაფუძნებული სისტემის შემუშავებაში.

რამდენიმე გამოყენებითი პრობლემის გადაჭრაში ექსპერტთან მონაწილეობით, განსაზღვრეთ ის ტექნიკა, რომელსაც ის იყენებს. აღწერეთ ისინი დეტალურად.

აირჩიეთ ინსტრუმენტები, რომლებიც გჭირდებათ თქვენი სისტემის შესაქმნელად. ეს არჩევანი დამოკიდებული იქნება მოგვარებული პრობლემის ტიპზე, თქვენს ფინანსურ შესაძლებლობებზე და თემის სირთულეზე.

შექმენით საექსპერტო სისტემის ლაბორატორიული პროტოტიპი, რომელიც საშუალებას გაძლევთ წარმატებით გაუმკლავდეთ იმ პრობლემების მაგალითებს, რომლებიც თქვენ გადაჭრით ექსპერტთან ერთად.

დაიწყეთ თქვენი ცოდნის ბაზის შექმნა. საგნის არეალის ობიექტების ამოცნობა, მათ შორის ურთიერთობები, იერარქიების ტიპები, ობიექტების დაყოფა კლასებად. შექმენით ცოდნის ბაზის სტრუქტურირება საგნის არეალის სტრუქტურის ექსპერტის გაგების შესაბამისად.

შეასრულეთ საჭირო რაოდენობის ციკლები ცოდნის ბაზის შესაქმნელად, რომელთაგან თითოეული მოიცავს ცოდნის დამატებას, მისი თანმიმდევრულობის შემოწმებას და მის შეცვლას აღმოჩენილი შეუსაბამობების აღმოსაფხვრელად.

ცოდნის ინჟინერია

ცოდნის ბაზის შემუშავებისა და შესაბამისი პროგრამული უზრუნველყოფის შემუშავების ან მოთხოვნის დაკმაყოფილების მზა გადაწყვეტის არჩევის შემდეგ აუცილებელია ცოდნის ბაზის შექმნა, საგნის ცოდნით და, შესაძლოა, საჭირო ფაქტებით შევსება. ინტელექტუალური სისტემის ცოდნის ბაზის ფორმირების ეტაპი გადამწყვეტია მთელი სისტემის ფუნქციონირებისთვის, რადგან თუ განხორციელება გავლენას ახდენს სისტემის შესაძლებლობების შესაძლო საზღვრებზე, მაშინ სისტემის ცოდნა განსაზღვრავს მის შესაძლებლობებს პრობლემების გადაჭრაში. საგანი.

MIS განვითარების ამ ეტაპს ცოდნის შეძენის ეტაპს უწოდებენ. საქმიანობის სფეროს, რომელიც სწავლობს ცოდნის ბაზების ფორმირებისა და შევსების პრობლემებს, ეწოდება ცოდნის ინჟინერია.

ცოდნის ინჟინერია- ხელოვნური ინტელექტის საკმაოდ ახალგაზრდა სფერო, რომელიც გაჩნდა მაშინ, როდესაც პრაქტიკულ დეველოპერებს ძალიან არა ტრივიალური პრობლემების წინაშე დგანან - ცოდნის „მოპოვების“ და ფორმალიზების სირთულე. ხელოვნური ინტელექტის შესახებ პირველ წიგნებში ეს ფაქტები, როგორც წესი, მხოლოდ პოსტულირებული იყო; მოგვიანებით, სერიოზული კვლევები დაიწყო ცოდნის იდენტიფიცირების ოპტიმალური სტრატეგიების დასადგენად. კვლევამ გამოიწვია ცოდნის ინჟინერიის დისციპლინის გაჩენა და ახალი სპეციალობის გაჩენა - ცოდნის ინჟინერი, ან სპეციალისტი, რომელსაც აქვს თეორიული ცოდნა და პრაქტიკული ტექნიკა ინტელექტუალური სისტემების შესაქმნელად და რაც მთავარია, გაწვრთნილი აქვს ცოდნის ბაზის ფორმირების გზებს. ინტელექტუალური სისტემებისგან.

ინტელექტუალური სისტემის შესახებ საგნობრივი ცოდნა შეიძლება მრავალი წყაროდან იქნას აღებული, მაგრამ თანამედროვე საინფორმაციო სისტემების ცოდნის ძირითადი წყაროა საგნის სპეციალისტი ექსპერტი. ცოდნის ინჟინერი, როგორც წესი, იძენს ცოდნას ექსპერტთან უშუალო ურთიერთქმედებით. ეს პროცესი შედგება ინტენსიური, სისტემური ინტერვიუების ხანგრძლივი სერიისგან, რომელიც ჩვეულებრივ გრძელდება მრავალი თვის განმავლობაში. საუბრის დროს, ცოდნის ინჟინერი აძლევს ექსპერტს გადასაჭრელად ისეთ პრობლემებს, რომლებიც რეალურთან ახლოსაა და იგივე ტიპისაა, რომლის გადაჭრასაც მიზნად ისახავს შექმნილი საექსპერტო სისტემა. ცოდნის ინჟინერმა უნდა იმუშაოს ექსპერტთან და დააკვირდეს, როგორ წყვეტს ის კონკრეტულ პრობლემებს. იშვიათად არის ეფექტური მიდგომა, რომლის დროსაც ექსპერტს უშუალოდ უსვამენ კითხვებს მისი წესების ან მეთოდების შესახებ კონკრეტული კლასის პრობლემების გადასაჭრელად მისი ექსპერტიზის სფეროში. ექსპერტებს, როგორც წესი, უჭირთ ასეთი წესების ჩამოყალიბება.

როგორც ჩანს, "ექსპერტები" მიდრეკილნი არიან ჩამოაყალიბონ თავიანთი დასკვნები და როგორ მივიდნენ მათზე ზოგადი თვალსაზრისით, რაც ძალიან ფართო და ბუნდოვანია ეფექტური კომპიუტერული ანალიზისთვის. სასურველია, რომ კომპიუტერმა იმუშაოს უფრო კონკრეტულ დონეზე, კარგად განსაზღვრულ შეყვანის ინფორმაციასთან, რომელიც შეიძლება ჩაშენდეს უფრო რთულ განსჯებში. მაგრამ ექსპერტი იშვიათად მუშაობს ასეთ კონკრეტულ დონეზე. ის სწრაფად ხტუნავს რთულ დასკვნებს ისე, რომ არ აწუხებს მსჯელობის პროცესის ყოველი საფეხურის გულდასმით გაანალიზებას და არტიკულაციას. საწყისი ცოდნის ნაწილი არის იმპლიციტური ვარაუდები და ისინი იმდენად სწრაფად ერწყმის ერთმანეთს, რომ ექსპერტს უჭირს ამ პროცესის აღწერა. როდესაც ის აანალიზებს პრობლემას, მას არ შეუძლია ადვილად აღწეროს თითოეული ნაბიჯი და შეიძლება არც კი ჰქონდეს წარმოდგენა ცალკეულ ნაბიჯებზე, რომლებიც გადაიდგა გამოსავლის მოსაძებნად. მან შეიძლება მიაწეროს ინტუიციას ან უწოდოს მას წინასწარმეტყველება, რაც აღმოჩნდება ძალიან რთული ლოგიკური პროცესის შედეგი, რომელიც დაფუძნებულია მის მეხსიერებაში შენახულ უზარმაზარ რაოდენობაზე და მდიდარ პრაქტიკაში. შემდგომში, როდესაც ხსნის თავის დასკვნას ან აზრს, ის გაიმეორებს მხოლოდ ძირითად ნაბიჯებს, ხშირად გამოტოვებს იმ მცირე ნაბიჯების უმეტესობას, რომლებიც შეიძლება მისთვის აშკარად ჩანდეს იმ დროს. იმის ცოდნა, თუ რა უნდა ჩაითვალოს ძირითად და რელევანტურად და არ საჭიროებს შემდგომ ხელახალი შეფასებას, არის ის, რაც სპეციალისტს „ექსპერტად“ აქცევს. ექსპერტის ბუნების ეს ასპექტი გარკვეულწილად უჩვეულოა. პრაქტიკაში მას ექსპერტიზის პარადოქსი ეწოდება. ინტელექტუალური სისტემების განვითარების კონტექსტში, ჩვენ მას დავარქმევთ ცოდნის ინჟინერიის პარადოქსს:

რაც უფრო კომპეტენტური ხდებიან ექსპერტები, მით ნაკლებად შეუძლიათ აღწერონ ცოდნა, რომელსაც იყენებენ პრობლემების გადასაჭრელად!

უფრო უარესი, კვლევამ აჩვენა, რომ როდესაც ექსპერტები ცდილობენ ახსნან, თუ როგორ მიაღწიეს დასკვნას, ისინი ხშირად აყალიბებენ დასაბუთებულ მსჯელობას, რომელიც ნაკლებად ჰგავს მათ რეალურ ქცევას პრობლემის გადაჭრაში. ამ თვისებას ორი მნიშვნელოვანი შედეგი აქვს. აქ არის პირველი:

ექსპერტებს სჭირდებათ გარე დახმარება, რათა განმარტონ და გამოავლინონ თავიანთი აზროვნება და პრობლემების გადაჭრა. ეს შეიძლება შევაჯამოთ როგორც ცერის წესი - ნუ იქნებით საკუთარი თავის ექსპერტი!

მეორე ევრისტიკული წესი, რომელიც მიმართულია ცოდნის ინჟინერს:

ნუ დაიჯერებთ ყველაფერს, რასაც ექსპერტები ამბობენ!

გამოცდილი ცოდნის ინჟინრები ავითარებენ სამუშაო ჰიპოთეზებს ექსპერტების ნათქვამზე დაყრდნობით და ამოწმებენ ამ ჰიპოთეზებს სისწორისა და თანმიმდევრულობისთვის, სთხოვენ ექსპერტებს გადაჭრას ახალი პრობლემები, რომლებიც საჭიროებენ ჰიპოთეზურ ცოდნას. ცოდნის ინჟინერი თვლის, რომ მან მოიპოვა ლეგიტიმური ექსპერტის წესი არა იმიტომ, რომ ექსპერტი დებს წესის სიზუსტეს, არამედ იმიტომ, რომ ექსპერტი აჩვენებს ამ წესის გამოყენებას პრობლემის გადასაჭრელად.

ზოგჯერ ექსპერტების ქცევა უფრო ინტუიციური ჩანს, ვიდრე რაციონალური. ფაქტია, რომ ცოდნის მნიშვნელოვანი რაოდენობა ექსპერტის უნარების ყველაზე მნიშვნელოვანი წინაპირობაა. თუმცა, ექსპერტის ცოდნა არ არის მხოლოდ ფაქტების არაორგანიზებული კოლექცია. ნიმუშის სიტუაციების დიდი რაოდენობა ემსახურება როგორც მითითებებს, რომლებიც ეხმარება ექსპერტს წამის მეასედში წვდომა მიიღოს მისი ცოდნის რეზერვების აუცილებელ ნაწილებზე. ეს უნარი გამოიყენოს შაბლონები ინტერპრეტაციისა და გადაწყვეტილების პროცესის წარმართვაში, ალბათ, დიდი ნაწილია იმისა, რასაც ჩვენ ფიზიკურ ინტუიციას ვუწოდებთ.

უფრო მეტიც, ექსპერტს შეუძლია გამოიყენოს სრულიად განსხვავებული სამუშაო მეთოდები და ტექნიკა სხვადასხვა არასტანდარტულ სიტუაციებში და ძალიან რთულია შეგნებულად იდენტიფიცირება სხვადასხვა ტექნიკის გამოყენების კრიტერიუმებისთვის.

ცოდნის საინჟინრო ტერმინოლოგია

ცოდნის სფერო- ეს არის ექსპერტის ცოდნის სისტემიდან გამოვლენილი საგნის სფეროს ცნებებს შორის ძირითადი ცნებებისა და ურთიერთობების პირობითი არაფორმალური აღწერა, გრაფიკის, დიაგრამის, ცხრილის ან ტექსტის სახით.

ცოდნის სფერო, როგორც პირველი ნაბიჯი ფორმალიზაციისკენ, წარმოადგენს ცოდნის მოდელს საგნის სფეროს შესახებ, იმ ფორმით, რომლითაც ექსპერტს შეეძლო მისი გამოხატვა რომელიმე „საკუთარი“ ენით. ამ კურსში არ განვიხილავთ ენის ადეკვატურად ჩამოყალიბების პრობლემებს საგნის აღწერისთვის. ამ თემაზე სპეციალიზებული ინფორმაციის კარგი წყაროა.

ცოდნის ველი ემსახურება, როგორც ძირითადი ინსტრუმენტი ცოდნის ბაზაში დომენის მოდელის შემდგომი მშენებლობისთვის.

ცოდნის მიღების პროცესის დასასახელებლად (ამ შემთხვევაში არჩეული სტრატეგიის ტიპი) ლიტერატურაში რამდენიმე ტერმინი გავრცელდა: შეძენა, წარმოება, მოპოვება, მიღება, იდენტიფიკაცია, ცოდნის ფორმირება. ინგლისურენოვან სპეციალიზირებულ ლიტერატურაში ძირითადად გამოიყენება ორი: შეძენა (შეძენა) და გამოძახება (იდენტიფიკაცია, ამოღება, დაარსება).

ტერმინი "შეძენის" ინტერპრეტაცია ხდება ან ძალიან ფართოდ - შემდეგ იგი მოიცავს ცოდნის გადაცემის მთელ პროცესს ექსპერტიდან ES ცოდნის ბაზაზე, ან როგორც ცოდნის ბაზის ავტომატური აგების მეთოდი ექსპერტსა და სპეციალურ პროგრამას შორის დიალოგის გზით. (ამ შემთხვევაში ცოდნის სფეროს სტრუქტურა პროგრამაში წინასწარ არის ასახული). ორივე შემთხვევაში, ტერმინი „შეძენა“ არ გულისხმობს ცოდნის სტრუქტურის ამოღების საიდუმლოებას საგნობრივი სფეროს შესახებ ინფორმაციის ნაკადიდან. ეს პროცესი აღწერილია "მოპოვების" კონცეფციით.

ცოდნის მოპოვება(ცოდნის გამომუშავება) არის ექსპერტისა და ცოდნის წყაროს შორის ურთიერთქმედების პროცედურა, რის შედეგადაც ცხადი ხდება სპეციალისტების მსჯელობის პროცესი გადაწყვეტილების მიღებისას და მათი იდეების სტრუქტურა საგნის მიმართულების შესახებ.

ცოდნის შეძენა(ცოდნის მიღება) არის ექსპერტის მიერ ცოდნის ბაზის შევსების პროცესი სპეციალიზებული პროგრამული უზრუნველყოფის გამოყენებით (საინფორმაციო საინფორმაციო სისტემის უშუალო ურთიერთქმედება ექსპერტთან).

ტერმინი ცოდნის გენერაცია ტრადიციულად მიეკუთვნება ცოდნის ინჟინერიის უკიდურესად პერსპექტიულ და აქტიურად განვითარებად სფეროს, რომელიც ეხება სწავლის მოდელების, მეთოდებისა და ალგორითმების შემუშავებას. იგი მოიცავს ცოდნის ფორმირების ინდუქციურ მოდელებს და ჰიპოთეზების ავტომატურ წარმოქმნას სასწავლო ნიმუშებზე დაყრდნობით, ანალოგიით სწავლებას და სხვა მეთოდებს. ეს მოდელები საშუალებას გვაძლევს ამოვიცნოთ მიზეზ-შედეგობრივი ემპირიული ურთიერთობები მონაცემთა ბაზებში არასრული ინფორმაციით, რომელიც შეიცავს სტრუქტურირებულ ციფრულ და სიმბოლურ ობიექტებს (ხშირად არასრული ინფორმაციის პირობებში).

ცოდნის გენერირება(მანქანური სწავლება) - მონაცემთა ანალიზისა და ფარული შაბლონების იდენტიფიცირების პროცესი სპეციალური მათემატიკური ხელსაწყოებისა და პროგრამული უზრუნველყოფის გამოყენებით.

ცოდნის მიღების მეთოდები

ცოდნის ინჟინერია გთავაზობთ გარკვეულ მეთოდებს (ტექნიკებს, მეთოდებს) ექსპერტებთან მუშაობისთვის.

ექსპერტებთან მუშაობის მეთოდების კლასიფიკაცია

კომუნიკაციის მეთოდები ნიშნავს ყველა სახის კონტაქტს ცოდნის ინჟინერსა და ცოდნის ცოცხალ წყაროს - ექსპერტს შორის. ამ მეთოდებს შორის ორი დიდი ჯგუფია: აქტიური და პასიური.

პასიური მეთოდები გულისხმობს, რომ წამყვანი როლი ცოდნის მოპოვების პროცედურაში ეკუთვნის ექსპერტს. ამ შემთხვევაში ცოდნის ინჟინერი ძირითადად აფიქსირებს ექსპერტის მსჯელობასა და ქმედებებს.

აქტიურ მეთოდებში ინიციატივა მთლიანად ცოდნის ინჟინრის ხელშია. ის აწარმოებს საუბარს ექსპერტთან, სთავაზობს სხვადასხვა „თამაშებს“, აწყობს „მრგვალ მაგიდას“ და ა.შ.

პასიური მეთოდები ერთი შეხედვით მარტივია. ამავდროულად, ისინი მოითხოვენ ცოდნის ინჟინერს, რომ შეძლოს ექსპერტის „ცნობიერების ნაკადის“ ანალიზი და მასში ცოდნის ღირებული ფრაგმენტების იდენტიფიცირება.

აქტიური მეთოდები იყოფა ორ ჯგუფად ცოდნის მოპოვების პროცედურაში მონაწილე ექსპერტების რაოდენობის მიხედვით - ჯგუფურ მეთოდებში დიდი მნიშვნელობა აქვს ექსპერტებს შორის დისკუსიას, რომელშიც ხშირად იდენტიფიცირებულია ცოდნის არატრივიალური ასპექტები. ამავდროულად, ინდივიდუალური მეთოდები დღეს წამყვან როლს თამაშობს. ეს დიდწილად განპირობებულია "ცოდნის ამოღების" პროცედურის დელიკატურობით.

ბრინჯი. 1.31. ექსპერტებთან მუშაობის მეთოდების კლასიფიკაცია

პასიური მეთოდები

დაკვირვებები

დაკვირვების მეთოდი ერთადერთი „სუფთა“ მეთოდია, სადაც ცოდნის ინჟინერი არ ერევა ექსპერტის მუშაობის პროცესში და არ აკისრებს მას არცერთ საკუთარ იდეას. არსებობს ორი სახის დაკვირვება:

· ფაქტობრივ პროცესზე დაკვირვება.

· პროცესის სიმულაციაზე დაკვირვება.

პირველ რიგში, ჩვეულებრივ გამოიყენება პირველი ტიპი და რეალური პროცესი შეინიშნება ექსპერტის სამუშაო ადგილზე. ეს ხელს უწყობს საგნის არეალის უფრო ღრმა გაგებას და გადაწყვეტილების მიღების პროცედურის ყველა გარე მახასიათებლის აღნიშვნას, რომელიც აუცილებელია მომხმარებლის ინტერფეისის დიზაინისთვის.

მეორე ეტაპზე ექსპერტი ახდენს პროცესის სიმულაციას. ამ რეჟიმში ის ნაკლებად სტრესულია და მუშაობს „ორ ფრონტზე“ - ახორციელებს პროფესიულ საქმიანობას და ამავდროულად აჩვენებს მათ.

სადამკვირვებლო სესიები ცოდნის ინჟინერს უყენებს შემდეგ მოთხოვნებს:

· სტენოგრაფიის ტექნიკის დაუფლება.

· დროის ტექნიკის გაცნობა საწარმოო პროცესის დროულად მკაფიო სტრუქტურირებისთვის.

· განუვითარდა „თვალის კითხვის“ უნარები, ანუ ჟესტებზე, მიმიკაზე და კომუნიკაციის სხვა არავერბალურ კომპონენტებზე დაკვირვება.

· საგნის წინასწარი გაცნობა.

სესიების შემდეგ დაკვირვების პროტოკოლები გულდასმით იწერება და შემდეგ განიხილება ექსპერტთან.

ხმამაღლა ფიქრის პროტოკოლების ანალიზი

ფიქრის ხმამაღლა ჩაწერისას, ექსპერტს სთხოვენ გამოავლინოს მსჯელობის მთელი ჯაჭვი, რომელიც ხსნის მის ქმედებებსა და გადაწყვეტილებებს. ასეთი ჩანაწერით, მნიშვნელოვანია ჩაწეროთ არა მხოლოდ ექსპერტის მთელი „ცნობიერების ნაკადი“, არამედ ექსპერტის საუბრისას პაუზები და ინტერექციებიც კი. ამ მეთოდს ზოგჯერ "ვერბალურ მოხსენებებს" უწოდებენ.

„აზრების ხმამაღლა“ ჩაწერისას ექსპერტს შეუძლია რაც შეიძლება ნათლად გამოხატოს საკუთარი თავი. მას არაფრით არ ზღუდავს, არავინ აწუხებს, თითქოს თავისუფლად ცურავს საკუთარი მსჯელობისა და დასკვნების ნაკადში, შეუძლია გამოიჩინოს თავისი ერუდიცია და აჩვენოს ცოდნის სიღრმე. ექსპერტების დიდი ნაწილისთვის ეს ცოდნის მოპოვების ყველაზე სასიამოვნო და მაამებელი გზაა.

ამავდროულად, როგორც ზემოთ აღინიშნა, ყველა სპეციალისტს არ შეუძლია, თუნდაც მათ, ვისაც შეუძლია წარმოთქვას შთამბეჭდავი მონოლოგები თავიანთი მუშაობის შესახებ, შეუძლია მსჯელობის ფორმალიზება და სტრუქტურირება. თუმცა, არიან ადამიანები, რომლებიც მიდრეკილნი არიან რეფლექსიისკენ და შეუძლიათ თავიანთი აზრების კონსტრუქციულად გამოხატვა. ასეთი ადამიანები ცოდნის ინჟინრისთვის ღვთის საჩუქარია.

ლექციების ნიჭი იშვიათია. გამოცდილი ლექტორი კარგად აყალიბებს თავის ცოდნას და მსჯელობას. მაგრამ ხდება ისე, რომ ზოგიერთ ადამიანს აქვს ლექციების უნარი

არაფრისთვის, მაგრამ მათ არ იციან მისი ყოფნა. ნებისმიერ შემთხვევაში, ცოდნის მქონე ინჟინერი უნდა ცდილობდეს გამოცანად ჩააგდოს ექსპერტი საინტერესო თემაზე ლექციის მომზადებით. თუ ექსპერტს შეუძლია გადალახოს კონკრეტული ფსიქოლოგიური ბარიერი და შევიდეს მასწავლებლის იმიჯში, ეს შეიძლება იყოს ძალიან ეფექტური ცოდნის მოპოვების პრობლემის გადაჭრაში.

ცოდნის ინჟინრის კარგი შეკითხვა ლექციის დროს მნიშვნელოვანია. სერიოზული, ღრმა და საინტერესო კითხვები, ერთის მხრივ, ასტიმულირებს ლექტორის შემოქმედებით ფანტაზიას, მეორე მხრივ კი ზრდის ცოდნის ინჟინრის ავტორიტეტს.

ლექციების სახით ცოდნის მოპოვების მეთოდი, ისევე როგორც ყველა პასიური მეთოდი, გამოიყენება ექსპერტის მეხსიერებიდან ცოდნის ამოღების მრავალსაფეხურიანი პროცედურის დასაწყისში. ეს ხელს უწყობს ცოდნის ინჟინრის სწრაფ ჩაძირვას საგნის სფეროში.

აქტიური ინდივიდუალური მეთოდები

კითხვარი

კითხვარები ყველაზე სტანდარტიზებული მეთოდია. კითხვარის შედგენა საკმაოდ დელიკატური და საპასუხისმგებლო მომენტია. აქ არის რამოდენიმე რეკომენდაცია:

· კითხვარი არ უნდა იყოს ერთფეროვანი და ერთფეროვანი, რათა არ გამოიწვიოს მოწყენილობა და დაღლილობა. ამისათვის კითხვები უნდა განსხვავდებოდეს, თემები უნდა შეიცვალოს. გარდა ამისა, კითხვარში ხშირად არის ჩასმული სპეციალური ხუმრობისა და თამაშის კითხვები;

· კითხვარი მორგებული უნდა იყოს ექსპერტების ენაზე;

· გასათვალისწინებელია, რომ საკითხები ერთმანეთზე ახდენს გავლენას. ამიტომ, კითხვების თანმიმდევრობა კარგად უნდა იყოს გააზრებული;

· პროფილს უნდა ჰქონდეს „კარგი მანერები“. ის უნდა იყოს წარმოდგენილი მკაფიო, გასაგები და უკიდურესად თავაზიანი ენით. კითხვარის შედგენის მეთოდოლოგიური უნარ-ჩვევის ათვისება შესაძლებელია მხოლოდ პრაქტიკით.

გამოკითხვის პროცედურა შეიძლება განხორციელდეს ორი გზით: პირველში ანალიტიკოსი სვამს კითხვებს ხმამაღლა და თავად ავსებს კითხვარს ექსპერტის პასუხების საფუძველზე. მეორეში ექსპერტი წინასწარი მითითებების შემდეგ დამოუკიდებლად ავსებს კითხვარს.

მეთოდის არჩევანი დამოკიდებულია მთელ რიგ პირობებზე (კერძოდ, კითხვარის დიზაინზე, მის გასაგებად და ექსპერტის მზადყოფნაზე). ამავდროულად, მეორე მეთოდი სასურველია, ვინაიდან ექსპერტს აქვს შეუზღუდავი დრო კითხვებზე ფიქრისთვის და ყოფნის ე.წ.

ინტერვიუ

ინტერვიუს გამართვამდე კარგი იდეაა ჰკითხოთ საკუთარ თავს: „ჩვენ კარგად ვართ კითხვების დასმა? განვიხილოთ კითხვების კლასიფიკაცია.

სურ.1.32. კითხვების კლასიფიკაცია

გახსენითკითხვა განსაზღვრავს თემას ან საგანს, რაც ექსპერტს აძლევს თავისუფლებას პასუხის სახით და შინაარსში.

ზე დახურულიკითხვაში ექსპერტს სთავაზობენ პასუხების ერთობლიობას, საიდანაც მან არჩევანი უნდა გააკეთოს.

დახურული კითხვები უფრო ადვილი დასამუშავებელია, მაგრამ გარკვეულწილად ისინი „აპროგრამებენ“ ექსპერტის პასუხს და „ხურავენ“ მისი მსჯელობის კურსს. ამიტომ, ინტერვიუს სკრიპტის შედგენისას, ისინი ჩვეულებრივ ცვლიან ღია და დახურულ კითხვებს და განსაკუთრებით ყურადღებით ფიქრობენ დახურული კითხვების „მენიუზე“ და შინაარსზე.

პირადიკითხვა მიმართავს ექსპერტის ინდივიდუალურ გამოცდილებას. პირადი კითხვები ჩვეულებრივ ააქტიურებს ექსპერტის აზროვნებას, „თამაშს“ მის სიამაყეზე და ამშვენებს ინტერვიუს.

უპიროვნოკითხვა მიზნად ისახავს საგნის არეალის ყველაზე გავრცელებული და ზოგადად მიღებული შაბლონების იდენტიფიცირებას.

კითხვების მომზადებისას გაითვალისწინეთ, რომ ექსპერტის ენობრივი შესაძლებლობები ჩვეულებრივ შეზღუდულია. გარდა ამისა, მათ ახსოვთ, რომ იზოლაციის, შეზღუდვისა და გაუბედაობის გამო, ზოგიერთ ექსპერტს არ შეუძლია დაუყოვნებლივ გამოხატოს თავისი აზრი და მიაწოდოს საჭირო ცოდნა. ამიტომ, ისინი ხშირად იყენებენ არა პირდაპირ კითხვებს, რომლებიც პირდაპირ მიუთითებს ობიექტზე ან თემაზე, არამედ ირიბად, რომლებიც ირიბად ამახვილებენ ყურადღებას მიმდინარე პრობლემაზე. ზოგჯერ, საქმის ინტერესებიდან გამომდინარე, საჭიროა ერთი პირდაპირის ნაცვლად რამდენიმე ირიბი კითხვის დასმა.

სიტყვიერიკითხვები ტრადიციული ზეპირი კითხვებია.

კითხვები ვიზუალური მასალის გამოყენებითინტერვიუების დივერსიფიკაცია და ექსპერტების დაღლილობის შემცირება. ვიზუალურ მასალად გამოყენებულია ფოტოები, ნახატები და ბარათები.

კითხვების დაყოფა ფუნქციების მიხედვით ძირითადი, ზონდი და კონტროლიეს გამოწვეულია იმით, რომ ხშირად ექსპერტი, რატომღაც, შორდება კითხვას და ინტერვიუს ძირითადი კითხვები არაპროდუქტიული აღმოჩნდება. შემდეგ ანალიტიკოსი იყენებს გამოკვლევის კითხვებს, რომლებიც ექსპერტის ყურადღებას სწორი მიმართულებით ამახვილებს. საკონტროლო კითხვები გამოიყენება მიღებული ინფორმაციის სანდოობისა და ობიექტურობის შესამოწმებლად.

ნეიტრალურიკითხვები მიუკერძოებელია. Ამავე დროს, დამაფიქრებელიკითხვები აიძულებს ექსპერტს მოუსმინოს ან თუნდაც გაითვალისწინოს ინტერვიუერის პოზიცია.

კლასიფიკაციაში ჩამოთვლილთა გარდა, სასარგებლოა ინტერვიუებში შემდეგი ტიპის კითხვების გამოყოფა და ჩართვა:

· კონტაქტი („ყინულის გატეხვა“ ანალიტიკოსსა და ექსპერტს შორის); O ბუფერები (სხვადასხვა ინტერვიუს თემების გასარჩევად);

· ექსპერტთა მეხსიერების აღორძინება (ცალკეული შემთხვევების პრაქტიკიდან აღსადგენად);

· „პროვოცირება“ (სპონტანური, მოუმზადებელი პასუხების მისაღებად).

თავისუფალი დიალოგი

ცოდნის ინჟინერსა და ექსპერტს შორის თავისუფალ დიალოგში არ არსებობს რეგულირებული გეგმა. თუმცა, ცოდნის მოპოვების ეს ფორმა მოითხოვს ყველაზე სერიოზულ წინასწარ მომზადებას.

ბრინჯი. 1.33. ინტერვიუებისა და თავისუფალი დიალოგისთვის მომზადების სქემა

დიალოგისთვის გამოცდილი მომზადება ნამდვილი დრამატურგიაა. მისი სცენარები ითვალისწინებს პროცედურის შეუფერხებლად განვითარებას სასიამოვნო შთაბეჭდილებიდან საუბრის დასაწყისში პროფესიონალურ კონტაქტამდე ცოდნის მოპოვების გზით ინტერესის გაღვივებისა და ექსპერტის ნდობის მოპოვების გზით.

ექსპერტის საუბრის გაგრძელების სურვილის უზრუნველსაყოფად, როგორც წესი, კეთდება „დარტყმები“, როგორიცაა: „მესმის შენი...“, „...ეს ძალიან საინტერესოა“ და ა.შ. ამ შემთხვევაში, ანალიტიკოსის ქცევა გულწრფელი უნდა იყოს. , რადგან უკვე დიდი ხანია ცნობილია, რომ საუკეთესო ხრიკი - მოერიდე ყოველგვარ ხრიკს და მოეპყარი თანამოსაუბრეს ნამდვილი პატივისცემით და რეალური ინტერესით.

არსებობს იდეალური ინტერვიუერის მახასიათებლების კატალოგი: ”ის უნდა გამოიყურებოდეს ჯანსაღად, მშვიდად, თავდაჯერებულად, უნდა შთააგონოს ნდობა, იყოს გულწრფელი, მხიარული, გამოიჩინოს ინტერესი საუბრის მიმართ, იყოს ლამაზად ჩაცმული, მოვლილი”.

თამაშები ექსპერტებთან

საექსპერტო თამაშებში ცოდნის ინჟინერი იღებს როლს იმიტირებულ სიტუაციაში. მაგალითად, ეს შეიძლება იყოს სტუდენტის როლი, რომელიც ექსპერტის (მასწავლებლის) წინაშე ასწორებს სტუდენტს, ასრულებს სამუშაოს მოცემულ თემაზე. ეს თამაში კარგი გზაა მორცხვი ექსპერტის სასაუბროდ.

კიდევ ერთი მაგალითია სპეციალისტის (ცოდნის ინჟინერი) და კონსულტანტის (ექსპერტის) თამაში. ეს თამაში ზოგჯერ შთამბეჭდავ შედეგებს იძლევა. მოვიყვანოთ მაგალითი კლასიკური ლიტერატურიდან. ექსპერტი მოქმედებდა როგორც ექიმი, რომელიც კარგად იცნობდა პაციენტს, კონსულტანტი კი სვამდა კითხვებს და აკეთებდა პროგნოზს კონკრეტული ტიპის მკურნალობის გამოყენების მიზანშეწონილობის შესახებ. ამ თამაშმა შესაძლებელი გახადა დადგინდეს, რომ წარმატებული პროგნოზისთვის საჭიროა მხოლოდ 30 კითხვა, ხოლო ექიმების მიერ შედგენილი კითხვარის ორიგინალური ვერსია 170 კითხვას შეიცავდა.

ცოდნის ფარული ფენების გამოსავლენად გამოიყენება თამაში, რომელშიც სპეციალისტი აკეთებს პროგნოზებს პროფესიულ სიტუაციებში და ასახელებს მათ მიზეზებს. შემდეგ, გარკვეული დროის გასვლის შემდეგ, სპეციალისტს წარუდგენენ საკუთარ დასაბუთებებს და სთხოვენ მათზე დაყრდნობით პროგნოზების გაკეთებას. როგორც ირკვევა, ასეთი მარტივი ტექნიკა ხშირად საშუალებას აძლევს ადამიანს აღმოაჩინოს გამოტოვებული ნაბიჯები ექსპერტის მსჯელობაში.

კონტექსტური ფოკუსის თამაშში ექსპერტი ასრულებს ექსპერტი სისტემის როლს, ხოლო ცოდნის ინჟინერი - მომხმარებლის როლს. სიმულირებულია საკონსულტაციო სიტუაცია. ექსპერტის პირველი რეაქციები კონცენტრირებულია პრობლემის ყველაზე მნიშვნელოვანი ცნებებისა და ყველაზე მნიშვნელოვანი ასპექტების გარშემო.

ზოგადად, ექსპერტთან თამაშებთან დაკავშირებით, ცოდნის ინჟინერს ეძლევა შემდეგი ძირითადი რჩევა:

· უფრო თამამად ითამაშეთ, თავად მოიგონეთ თამაშები.

· ნუ აიძულებთ თამაშს ექსპერტს, თუ ის არ არის მიდრეკილი.

· არ მოახდინო ზეწოლა ექსპერტზე, არ დაივიწყო თამაშის მიზნები.

· არ დაივიწყოთ დრო და რომ თამაში დამღლელია ექსპერტისთვის.

· ითამაშეთ მხიარულად, არატრადიციულად.

აქტიური ჯგუფის მეთოდები

აქტიური ჯგუფის მეთოდები თავისთავად ვერ გამოდგება მეტ-ნაკლებად სრული ცოდნის წყაროდ. ისინი მოქმედებენ როგორც დამატებით და ემსახურებიან ცოდნის მოპოვების ცალკეულ მეთოდებს, ააქტიურებენ ექსპერტების აზროვნებასა და ქცევას.

"Მრგვალი მაგიდა"

მრგვალი მაგიდის მეთოდი მოიცავს რამდენიმე ექსპერტის მიერ საინტერესო პრობლემის თანაბარ განხილვას. დისკუსიის მიზანია კოლექტიურად, სხვადასხვა კუთხით, სხვადასხვა კუთხით, საკამათო საკითხების შესწავლა საგანში. სპაისის გულისთვის მრგვალ მაგიდაზე მიწვეული არიან სხვადასხვა სამეცნიერო სფეროს და თაობის წარმომადგენლები. დისკუსიის მონაწილეთა რაოდენობა ჩვეულებრივ მერყეობს სამიდან ხუთამდე შვიდამდე.

დისკუსიის დაწყებამდე ფასილიტატორი (ცოდნის ინჟინერი) უნდა დარწმუნდეს, რომ ყველა მონაწილემ სწორად გაიგო დავალება. შემდეგ თქვენ უნდა დაადგინოთ რეგულაციები და მკაფიოდ ჩამოაყალიბოთ თემა.

დისკუსიის მიმდინარეობისას მნიშვნელოვანია იმის უზრუნველყოფა, რომ ზედმეტად ემოციურმა და მოლაპარაკე ექსპერტებმა არ შეცვალონ თემა და გამართლებული იყოს ერთმანეთის პოზიციების კრიტიკა. წამყვანმა გარკვეული ძალისხმევა უნდა გამოიჩინოს „ფასადის ეფექტის“ შესამცირებლად, როდესაც მონაწილეთა სურვილი, მოახდინოს სხვებზე შთაბეჭდილება, ჭარბობს და ისინი სრულიად განსხვავებულს ამბობენ, ვიდრე ნორმალურ სიტუაციაში იტყვიან.

"ბრეინშტორმი"

„ტვინის შტორმი“ ან „ტვინის შეტევა“ ადამიანის აზროვნების განთავისუფლებისა და გააქტიურების ერთ-ერთი ყველაზე პოპულარული მეთოდია. ეს მეთოდი პირველად 1939 წელს გამოიყენა ა. ოსბორნმა აშშ-ში ახალი იდეების გენერირებისთვის.

შტურმის მთავარი წერტილი არის სპეციალისტთა დახურულ ჯგუფში იდეების გენერირების პროცედურის გამოყოფა მათი ანალიზისა და შეფასების პროცესისგან. თავდასხმის ჩვეულებრივი ხანგრძლივობა დაახლოებით 40 წუთია. მონაწილეთა რაოდენობა - 10 კაცამდე. ეს მონაწილეები მოწვეულნი არიან გამოხატონ ნებისმიერი აზრი მოცემულ თემაზე, მათ შორის იუმორისტული, ფანტასტიკური და მცდარი. კრიტიკა აკრძალულია. დროის ლიმიტი: 2 წუთამდე პრეზენტაციაზე.

გამოცდილებიდან ცნობილია, რომ გამოხატული იდეების რაოდენობა ხშირად აღემატება 50-ს. თავდასხმის ყველაზე მნიშვნელოვანი მომენტი არის პიკის დაწყება (მღელვარება), როდესაც იდეები იწყებენ სიტყვასიტყვით "გამოფრქვევას". გარე ექსპერტთა ჯგუფის მიერ ჩატარებული შემდგომი ანალიზი ჩვეულებრივ აჩვენებს, რომ იდეების მხოლოდ 10-15% არის გონივრული, მაგრამ ზოგიერთი მათგანი საკმაოდ ორიგინალურია.

ცოდნის ინჟინრის გონებრივი შტორმის ხელოვნება მდგომარეობს აუდიტორიისთვის კითხვების დასმის უნარში, აუდიტორიის გახურებაში. კითხვები ემსახურება როგორც ერთგვარი „კაკვი“, რომლითაც ხდება იდეების მოპოვება.

როლური თამაშები ჯგუფში

თითოეულ ჯგუფურ თამაშში წინასწარ დგება სცენარი, ენიჭება როლები, მზადდება პორტრეტები და როლების აღწერილობა, მუშავდება მოთამაშეთა შეფასების სისტემა.

როლური თამაშების ჩატარების სხვადასხვა გზა არსებობს. ზოგიერთ თამაშში მონაწილეები იგონებენ ახალ სახელებს და ასრულებენ მათ ქვეშ. სხვებში, ყველა მოთამაშე გადადის "შენზე". მესამეში როლებს მოთამაშეები ირჩევენ, მეოთხეში კი წილისყრა ხდება როლების გასანაწილებლად.

როგორც წესი, სამიდან ექვს ექსპერტი მონაწილეობს თამაშში, რომელიც შექმნილია ცოდნის მისაღებად: ექსპერტების უფრო დიდი რაოდენობის შემთხვევაში, ისინი იყოფა ჯგუფებად, რომელთა შორისაც ტარდება კონკურსი: რომელთა დიაგნოზი უფრო ახლოს იქნება ჭეშმარიტთან, გეგმა უფრო რაციონალურად იყენებს რესურსებს, რომლებიც სწრაფად ამოიცნობენ გაუმართაობის ტექნიკურ ბლოკს და ა.შ.

თამაშის გარემოს შექმნა ცოდნის ინჟინრისგან ფანტაზიას და გამოგონებას მოითხოვს. მთავარი ის არის, რომ თამაშში ექსპერტები მაქსიმალურად უნდა ჩაეფლონ სიტუაციაში, მართლაც "ითამაშონ", დაისვენონ და "გამოავლინონ თავიანთი კარტები".

მოთხოვნები ცოდნის ინჟინრისთვის

ცოდნის ინჟინერიის მართლაც ვრცელი სფეროს ამ მოკლე მიმოხილვის დასასრულს, ჩვენ აღვნიშნავთ უამრავ ძირითად მოთხოვნას ცოდნის ინჟინრისთვის.

· ცოდნის ინჟინერს უნდა ჰქონდეს კარგი თეორიული მომზადება ცოდნის წარმოდგენის მოდელების სფეროში, რათა ოპტიმალურად შეარჩიოს და გამოიყენოს ცოდნის წარმოდგენის მოდელების შესაძლებლობები მოცემული პრობლემის გადასაჭრელად.

· მიუხედავად იმისა, რომ ეს ადრე ცალსახად არ იყო ნათქვამი, მასალის პრეზენტაციიდან ირკვევა, რომ ცოდნის ინჟინერს უნდა ჰქონდეს შესანიშნავი კომუნიკაციის უნარი და ჰქონდეს გარკვეული ცოდნა კომუნიკაციის ფსიქოლოგიაში, რათა იმუშაოს ნაყოფიერად ექსპერტებთან.

· ცოდნის ინჟინერს უნდა ჰქონდეს სისტემური აზროვნება და კოგნიტური ფსიქოლოგიის საგნობრივი სფეროსა და მეთოდების ანალიზის დაუფლება.

· ჰქონდეს ყოვლისმომცველი ზოგადი სამეცნიერო მომზადება და თავისუფლად ფლობდეს სამეცნიერო კვლევის მეთოდებს, აღწერისა და დოკუმენტაციის ფორმალურ მეთოდებს.

· თავისუფლად ფლობდეს საინფორმაციო ტექნოლოგიების დარგს.

ცოდნის ინჟინრის როლი ინტელექტუალური საინფორმაციო სისტემების განვითარებაში ხშირად არის სისტემის პროექტის წარმატების გასაღები. როგორც წესი, ცოდნის ინჟინრები ხდებიან სპეციალისტები - პროგრამული უზრუნველყოფის შემქმნელები და ანალიტიკოსები, რომლებსაც აქვთ საჭირო უნარები და უნარები. დასასრულს აღვნიშნავთ, რომ ცოდნის ინჟინრის როლი მრავალი თვალსაზრისით მსგავსია ანალიტიკოსებისა და განხორციელების სპეციალისტების ფუნქციებს ჩვეულებრივი საინფორმაციო სისტემების შემუშავებაში.

ძიების სტრატეგიები POP-ებში

Დაკავშირებული ინფორმაცია.

ცოდნის ინჟინერიის სფეროში კვლევითი ძალისხმევა მიმართულია ცოდნის მოპოვების ფორმალური მეთოდების შექმნაზე. მათ შორისაა სემანტიკური ერთეულების სტატისტიკური დამუშავების საფუძველზე ტექსტის ავტომატური დამუშავების მეთოდი. ტექსტებიდან ცოდნის ავტომატური ამოღების მეთოდი და პროგრამული უზრუნველყოფა ეფუძნება ტექსტებში განსხვავებული გამოხატვის სემანტიკური ერთეულების გამოვლენის ფორმალურ პროცედურებს.

საექსპერტო სისტემის შესაქმნელად გჭირდებათ ექსპერტი, ცოდნის წყარო კონკრეტული საგნის სფეროში და უნივერსალური ცოდნის ინჟინერი. ცოდნის ინჟინერი ინტერვიუს იღებს ექსპერტს, აფორმებს მის ცოდნას და ქმნის დომენის მოდელს. ამის შემდეგ მოდელი შედის კომპიუტერში და თამაშდება ყველა შესაძლო ვარიაცია.

როგორც უკვე აღვნიშნეთ, საექსპერტო სისტემების მშენებლობის ტექნოლოგიას ხშირად ცოდნის ინჟინერიას უწოდებენ. როგორც წესი, ეს პროცესი მოითხოვს დომენის ექსპერტთა სისტემის შემქმნელს შორის ურთიერთქმედების სპეციფიკურ ფორმას. ცოდნის ინჟინერი ექსპერტებისგან ამოიღებს პროცედურებს, სტრატეგიებს, ცერის წესებს, რომლებსაც ისინი იყენებენ პრობლემების გადასაჭრელად და ათავსებს ამ ცოდნას საექსპერტო სისტემაში. ერთ-ერთი ურთულესი პრობლემა, რომელიც წარმოიქმნება საექსპერტო სისტემების შექმნისას, არის ექსპერტის ცოდნის გადაქცევა და მეთოდების აღწერა, რომლებიც მას იყენებს გადაწყვეტილებების მოსაძებნად იმ ფორმაში, რომელიც საშუალებას მისცემს მათ წარმოადგინონ სისტემის ცოდნის ბაზაში და შემდეგ ეფექტურად გამოიყენონ გადაჭრისთვის. პრობლემები მოცემულ საგანში.

როგორც წესი, ექსპერტი არ მიმართავს პროცედურულ ან რაოდენობრივ მეთოდებს, მისი ძირითადი საშუალებებია ანალოგია, ინტუიცია და აბსტრაქცია. ხშირად ექსპერტი ვერც კი ხსნის, თუ როგორ იპოვა გამოსავალი. საუკეთესო შემთხვევაში, თქვენ მისგან მიიღებთ მხოლოდ ძირითადი ტექნიკის ან ევრისტიკის აღწერას, რაც დაეხმარა მას წარმატებით გაუმკლავდეს ამოცანას. ცოდნის ინჟინერს ევალება ამ აღწერილობების მკაცრ, სრულ და თანმიმდევრულ სისტემად გადაქცევის ძალიან რთული სამუშაო, რომელიც საშუალებას მისცემს გადაჭრას გამოყენებული პრობლემები არა უარესი, ვიდრე ამას თავად ექსპერტი გააკეთებს, რადგან ცოდნის ბაზის აგების პროცესი ცუდად არის სტრუქტურირებული და უფრო ციკლური ხასიათისაა, ვიდრე წრფივი.

ცოდნის ინჟინერმა პრობლემა სწორად უნდა ჩამოაყალიბოს. ამავდროულად, მან უნდა შეძლოს იმის აღიარება, რომ პრობლემა არ არის სტრუქტურირებული და ამ შემთხვევაში, თავი შეიკავოს მისი ფორმალიზაციის მცდელობებისგან ან გადაწყვეტის სისტემატური მეთოდების გამოყენებისგან. ცოდნის ბაზის აგების საწყისი ეტაპის მთავარი მიზანია იმის დადგენა, თუ როგორი იქნება საგნის არეალის აღწერა აბსტრაქციის სხვადასხვა დონეზე. საექსპერტო სისტემა მოიცავს ცოდნის ბაზას, რომელიც იქმნება გარკვეული საგნობრივი სფეროს ფორმალიზაციით და ეს, თავის მხრივ, რეალური სამყაროს გარკვეული ერთეულების აბსტრაქციის შედეგია.

ცოდნის ინჟინერი, უპირველეს ყოვლისა, ვალდებულია გაიაროს გასაუბრება ექსპერტთან და მხოლოდ ამის შემდეგ დაიწყოს სისტემის აგება. ექსპერტი, რა თქმა უნდა, უნდა იყოს იმ სფეროს სპეციალისტი, რომელშიც სისტემა იმუშავებს. პირველი ნაბიჯი არის სისტემის დანიშნულების მიზნის განსაზღვრა. რა ამოცანები უნდა გადაჭრას რეალურად ცოდნაზე დაფუძნებული სისტემის მიერ?სისტემის განვითარების მიზნები უნდა იყოს ჩამოყალიბებული ზუსტად, სრულად და თანმიმდევრულად.

ცოდნის მიღების პროცესი საექსპერტო სისტემის შემუშავების ყველაზე რთული ეტაპია, ვინაიდან ცოდნის ინჟინერი (პროგრამისტი) ცუდად არის გათვითცნობიერებული საგნის სფეროში, ხოლო ექსპერტმა არ იცის პროგრამირება. ამასთან დაკავშირებით ექსპერტის მიერ გამოყენებული ლექსიკა არ არის გასაგები ცოდნის ინჟინრისთვის და ყველა კითხვის გარკვევისთვის საჭიროა ექსპერტისა და ცოდნის ინჟინრის ერთობლივი მუშაობა. ცოდნის ინჟინრის ერთ-ერთი ყველაზე რთული ამოცანაა დაეხმაროს ექსპერტს პრობლემის შესახებ ცოდნის სტრუქტურირებაში. ""...

ექსპერტს, ცოდნის ინჟინერს და საექსპერტო სისტემას შეუძლია მონაწილეობა მიიღოს ცოდნის მიღების პროცესში წარმოქმნილ ყველა ამოცანაში. იმის მიხედვით, თუ ვინ ასრულებს დავალებას, შეიძლება გამოიყოს ცოდნის შეძენის სხვადასხვა მოდელი.

ხელოვნური ინტელექტის სისტემების შემდგომი განვითარება ეფუძნებოდა ცოდნის პროგრამებისგან გამიჯვნას და ცოდნის ორგანიზებას მარტივი საინფორმაციო სტრუქტურების სახით, რომელსაც ცოდნის ბაზები ეწოდება. ამ შემთხვევაში, ექსპერტი სისტემასთან ურთიერთქმედებს პირდაპირ ან ცოდნის ინჟინრის მეშვეობით.

პროგრამირების მინიმალური ცოდნის მქონე ექსპერტს შეუძლია ურთიერთქმედება საექსპერტო სისტემასთან ინტელექტუალური რედაქტორის მეშვეობით, ცოდნის ინჟინრის შუამავლობის გარეშე.

ES-ის შემუშავებამდე, ცოდნის ინჟინერმა უნდა განიხილოს, უნდა განვითარდეს თუ არა ES მოცემული აპლიკაციისთვის. ზოგადად, პასუხი შეიძლება იყოს ის, რომ ES უნდა იქნას გამოყენებული იმ შემთხვევაში, როდესაც ES-ის განვითარება შესაძლებელია, გამართლებულია და ცოდნის ინჟინერიის მეთოდები შეესაბამება პრობლემას.

პროტოტიპმა უნდა აჩვენოს ცოდნის ინჟინერიის ტექნიკის შესაბამისობა განაცხადისთვის. წარმატების შემთხვევაში, ექსპერტი, ცოდნის ინჟინრის დახმარებით, აფართოებს პროტოტიპის ცოდნას პრობლემის სფეროზე. წარუმატებლობის შემთხვევაში, შეიძლება საჭირო გახდეს ახალი პროტოტიპის შემუშავება, ან დეველოპერებმა შეიძლება დაასკვნეს, რომ ცოდნის ინჟინერიის ტექნიკა შეუსაბამოა განაცხადისთვის.

ნებისმიერი წარმოების ტექნოლოგიის დონე გადამწყვეტ გავლენას ახდენს ეკონომიკურ მაჩვენებლებზე (მოგება, პროდუქტის მომგებიანობა, წარმოების ხარჯები და ა.შ.). მაშასადამე, ეკონომისტს სჭირდება თანამედროვე ტექნოლოგიური პროცესების საკმარისი ცოდნა, ინჟინერს კი – ეკონომიკის სფეროში.

ამ მოთხოვნების შესრულება შესაძლებელს ხდის დასკვნის მექანიზმის გამარტივებას და ცოდნის შეძენისა და მართვის პროცესებს, თუმცა, როგორც წესი, ინტელექტუალური სისტემის შემქმნელებს უწევთ გარკვეული კომპრომისის წასვლა, რათა უზრუნველყონ ექსპერტების მიერ ცოდნის ერთნაირი გაგება. ცოდნის ინჟინრები და მომხმარებლები.

ცოდნის შეძენის კომპონენტი მიზნად ისახავს უზრუნველყოს ცოდნის ინჟინრის მუშაობა რეალური საგნის არეალის ადეკვატური ცოდნის მოდელის შექმნასა და შენარჩუნებაში (ცოდნის ბაზის გენერაცია, მისი ტესტირება, მისი ახალი ცოდნით შევსება, არასწორის აღმოფხვრა (რაც ასე გახდა) ცოდნა და ა.შ.).

ფსიქოლოგიასა და ცოდნის ინჟინერიაში შემუშავებულია ტექნიკა, რომელთა უმეტესობა, ინსტრუმენტული ტექნიკის გარდა, საკმაოდ ხელმისაწვდომია. მოდით გავეცნოთ კლიენტის სტერეოტიპების იდენტიფიცირების სპეციფიკურ მეთოდებს.

ხელოვნური ინტელექტის სისტემების შექმნის ერთ-ერთი მთავარი პრობლემა არის ცოდნის წარმოდგენისა და გამოყენების პრობლემა იმ საგნის შესახებ, რომელშიც სისტემა გარკვეულ პრობლემებს წყვეტს. ამ კუთხით გადაჭრილი პრობლემების ზოგადი სპექტრი ეკუთვნის AI-ს განყოფილებას, რომელსაც ეწოდება ცოდნის ინჟინერია. ცოდნის ბაზა ნებისმიერი მართვის სისტემის მნიშვნელოვანი ელემენტია. ცოდნის ბაზების იდეა ჩამოყალიბდა დიდი მონაცემთა ბაზებთან მუშაობის პრინციპებისა და მეთოდების შექმნის კვლევისას. აღმოჩნდა, რომ მონაცემთა ბაზების გამოყენების ეფექტურობა შეიძლება მნიშვნელოვნად გაიზარდოს, თუ შენახული ინფორმაცია დაკავშირებულია არა მხოლოდ ფორმებით (ცხრილები, სიები, ხეები), არამედ ფაქტებს შორის არსებული ურთიერთობებით. უფრო მეტიც, ეს ურთიერთობები არ უნდა იყოს შემთხვევითი, სიტუაციური, არამედ ასახავდეს ობიექტის არსებით კავშირებს. ასეთ მონაცემთა ბაზებს უწოდებენ ინტელექტუალურ მონაცემთა ბაზებს ან ცოდნის ბაზებს.

მაგალითად, ცოდნის ინჟინრები (ადამიანები, რომლებიც გამოკითხულობენ ექსპერტებს და თარგმნიან მათ გამოცდილებას ხელოვნურ ინტელექტად - ექსპერტული სისტემის კომპიუტერული პროგრამა) დღეს შეადგენენ მონაცემთა დამუშავების სამუშაო ძალის 1%-ზე ნაკლებს, მაგრამ მოსალოდნელია, რომ დაიკავებენ სამუშაო ძალის 20%-მდე მას შემდეგ. 2000 მონაცემთა დამუშავების ადგილი. კომპეტენციის კვლევამ შეიძლება აჩვენოს, რომ საუკეთესო ცოდნის ინჟინრებს აქვთ უფრო მაღალი დონის შემეცნებითი კომპეტენციები, როგორიცაა ნიმუშის ამოცნობა, კონცეპტუალიზაცია და ანალიტიკური აზროვნება (პრობლემის გადაჭრის ალგორითმების ამოცნობის და ფორმულირების უნარი; ამ უნარს იყენებენ ექსპერტები კომპიუტერის პროგრამირებადი if-then წესების შესახებ. ) და ინტერპერსონალური ინტერვიუს უნარები, რომლებიც საჭიროა ურთიერთობის დასამყარებლად და საგნის ექსპერტების მოსმენისთვის.8 ეს მონაცემები მიუთითებს მონაცემთა დამუშავების პერსონალის შერჩევისა და ტრენინგის კრიტერიუმებზე, რომლებიც დაკომპლექტდება და განვითარდება მომდევნო ათწლეულის განმავლობაში.

სამომავლოდ, კომპეტენციების შესწავლა სულ უფრო დაემსგავსება ცოდნის ინჟინერიას, ადამიანთა ექსპერტების აზროვნების იდენტიფიცირების პროცესს, რათა მათზე დაფუძნებული კომპიუტერული საექსპერტო სისტემები განვითარდეს.5.

ეს პრობლემები დაძლეულია ცოდნის ინჟინერიის ტექნიკის გამოყენებით (თავი 9). მათი წყალობით, მოდელებში შესაძლებელია უშუალოდ წარმოაჩინოს მენეჯერების ცუდად ფორმალიზებული ცოდნა ბიზნეს პროცესების, კერძოდ სამუშაო პროცედურების შესახებ. გარდა ამისა, მოგვარებულია აპლიკაციის სწრაფი განვითარებისა და ინტელექტის შექმნის პრობლემა.

ამ პრობლემების დასაძლევად, ცოდნის საინჟინრო ტექნიკის გამოყენება ახლა იწყება. მათი დახმარებით შესაძლებელია უშუალოდ მოდელებში წარმოაჩინოს მენეჯერების ცუდად ფორმალიზებული ცოდნა ბიზნეს პროცესების, კერძოდ სამუშაო პროცედურების შესახებ. ის ასევე ეხება საბოლოო მომხმარებლის ინტელექტუალური ინტერფეისის შექმნის გამოწვევას დახვეწილი მოდელის ანალიზის ხელსაწყოებით.

მისმა დამფუძნებლებმა, მარვინ მინსკიმ და ედვარდ ფეიგენბაუმმა, არასაჭიროდ ჩათვალეს ტვინის არქიტექტურისა და მისი ნერვული სტრუქტურების მიმართვა და განაცხადეს, რომ საჭიროა მოდელირება, თუ როგორ მუშაობს ადამიანი ცოდნასთან. ამრიგად, ფორმალური ლოგიკური ენის სტრუქტურებით ოპერაციების ყურადღების ცენტრში მოქცევით, მათ შეგნებულად აირჩიეს ფოკუსირება ადამიანის ტვინის მარცხენა ნახევარსფეროს მიერ ინფორმაციის დამუშავების სიმულაციაზე. ასეთი ფორმალიზებული ცოდნის დამუშავების სისტემებს ეწოდა ექსპერტი, რადგან ისინი უნდა ასახავდნენ ექსპერტის (მაღალი პროფესიონალი სპეციალისტის) ლოგიკური მსჯელობის კურსს კონკრეტულ საგნობრივ სფეროში. ეს მსჯელობა ხორციელდება დასკვნის წესების გამოყენებით, რომლებიც ცოდნის ინჟინერმა უნდა გამოიტანოს ექსპერტისგან.

საექსპერტო სისტემების მშენებლობის ტექნოლოგიას ცოდნის ინჟინერია ეწოდება. ეს პროცესი მოითხოვს ურთიერთქმედების სპეციფიკურ ფორმას საექსპერტო სისტემის შემქმნელს, რომელსაც ეწოდება ცოდნის ინჟინერი, და ერთ ან რამდენიმე ექსპერტს შორის გარკვეული საგნობრივი სფეროდან. ცოდნის ინჟინერი ამოიღებს პროცედურებს ექსპერტებისგან, სტრა-