Разведка знаний

Разведка знаний представляет собой новое и быстро развивающееся направление, использующее методы искусственного интеллекта, математики и статистики для «выуживания» знаний из хранилищ данных. Этот метод включает инструментарий и различные подходы к анализу как текста, так и цифровых данных. Например, система Odie (On demand Information Extractor) каждую ночь сканирует около 1000 статей с последними новостями для извлечения знаний об изменениях в управлении. Odie, разработанная для американских и европейских обозревателей новостей, использует распознавание стилизованных фраз в статьях деловых новостей и знания о синтаксических правилах для распознавания соответствующих событий в сфере бизнеса.

Представление знаний

Системы УЗ представляют знания как в форме, удобной для нашего восприятия, так и в машиночитаемом виде. В первом случае доступ к знаниям можно получить используя браузеры и системы интеллектуального поиска. Но иногда знания, доступные в машиночитаемой форме, могут быть спроектированы как базы знаний экспертных систем для поддержки принятия решений. В представлении знаний для восприятия человеком используется широкий диапазон подходов, и способ представления знаний во многом зависит от ситуации. Например, УЗ-система для обслуживания клиентов в области модемной связи собирает данные об определенных модемах (технические спецификации, данные, картинки и т. д.) и обобщает их в базе знаний. Если у клиента возникает вопрос или желание посмотреть, как выглядит конкретный модем, все необходимое можно найти в базе знаний. Поскольку отдел поддержки клиентов ведет учет возникающих затруднений, то все случаи обращения пользователей индексируются по клиентам, модемам и типам проблем. Соответственно, если кто-то уже сталкивался с подобной проблемой, то ее решение можно обнаружить в базе данных. В других случаях, когда информация имеет декларативный характер (факт или утверждения), текст или правила могут использоваться для представления информации и знаний. Например, руководства, информационные бюллетени или другие подобные типы знаний обычно выглядят как документы, списки или правила. Используя машиночитаемые знания, экспертные системы «подводят» пользователя к рекомендованным решениям. Экспертные системы могут быть интегрированной частью УЗ-систем. Хотя последние иногда содержат элементы искусственного интеллекта, эти элементы используются только для поиска знаний, представленных в форме, удобной для восприятия человеком. Необходимы исследования для расширения сферы использования искусственного интеллекта и базирующихся на знаниях систем в УЗ. Нам нужно узнать, какие формы представления знаний лучше подходят для конкретных типов знаний и как искусственный интеллект может быть в дальнейшем интегрирован в УЗ-системы.

Онтологии

Онтология – это точное описание концептуализации. В УЗ-системах корпорации онтологические спецификации могут ссылаться на таксономию задач, которые определяют знание для системы (Таксономия – теория классификации и систематизации сложноорганизованных областей деятельности, обычно имеющих иерархическое строение.). Онтология определяет словарь, совместно используемый в УЗ-системе для упрощения коммуникации, общения, запоминания и представления. Разработка и поддержка онтологии в масштабе целого предприятия требует постоянных усилий для ее развития. Онтология, в частности, необходима для того, чтобы пользователь мог работать с базами данных оптимальных решений, относящихся к широкому кругу проблем предприятия и легко распознавать, какое решение может ему подойти в конкретной ситуации.