知识工程

knowledge engineering

定义：运用人工智能的原理和方法，对那些需要专家知识才能解决的领域难题提供求解的手段。包括知识获取、知识表示、知识推理、推理解释等。

学科：计算机科学技术_人工智能_知识工程

相关名词：元知识 知识发现

【延伸阅读】

知识工程是一门以“知识”为核心对象的交叉学科。1977年，美国学者E.A.费根鲍姆在第五届国际人工智能会议上提出了“知识工程”的理念，指出：知识工程利用人工智能的原理和方法，为那些依赖专家经验才能解决的问题提供自动化求解手段。1984年，中国学者史忠植在第五代计算机专家讨论会上进一步将知识工程定义为研究知识信息处理的学科，认为它是人工智能、数据库技术、数理逻辑、认知科学和心理学等多学科协同发展的结果。

经过数十年的发展，知识工程已经形成一套系统的方法论，并在智能系统研发中占据核心地位。知识工程关注如何将人类专家的隐性知识以可处理的形式获取到计算机系统中，这一过程被称为知识获取。知识源可以是专家访谈、专业文献、标准文档，甚至是传感器和历史数据库。通过结构化访谈、文本分析和数据挖掘等手段，研究者能够提取规则、事实、概念和关系等不同层次的知识单元。

在知识表示阶段，研究者需要设计合适的知识模型和标识体系，以便后续推理模块能够高效调用。常见的表示方式有规则库、语义网络、本体描述和框架表示等。不同的表示方法各有优长：规则库直观易懂，适合业务规则表达；语义网络适合表示概念间的关系；本体描述可支持更丰富的语义推理；框架表示则便于组织复杂实体的属性和操作。选择何种表示方式，取决于应用场景的特点和推理需求。

推理是知识工程的核心环节，即利用表示好的知识和细节信息，通过推理机制使智能系统产生结论或解决方案。常见的推理方法包括前向链式推理、后向链式推理和混合推理。前向链式推理从已知事实出发，不断应用规则生成新事实，适合状态监控和数据驱动型任务；后向链式推理从目标结论出发，逆向查找所需事实，适合诊断和决策支持系统；混合推理则结合两者优点，提高效率和灵活性。推理模块的设计不仅要考虑算法效率，还要关注推理过程的可解释性和可维护性。

解释理由是知识工程区别于传统软件的重要特征之一。智能系统在给出结论或建议时，需要同时生成推理路径和依据，向用户展示决策过程。这种透明性有助于用户理解系统行为，增强信任度，并在知识更新时提供参考。解释模块通常会提取所用规则、事实节点以及中间推理结果，并以人类易读的方式呈现。

通过上述五个活动过程，知识工程构建起一条从原始专家经验到可运行智能系统的完整链条。随着大数据、机器学习和云计算技术的发展，知识工程正在经历新的变革。一方面，数据驱动的学习方法正在与传统的规则驱动方法融合，利用统计学习模型自动发现潜在规则；另一方面，分布式知识库和知识图谱技术使得海量知识的管理和调用成为可能，这有助于构建跨领域的大规模智能系统。此外，面向自然语言处理的知识抽取技术正在进一步简化知识获取流程，提高了知识库构建效率。

内容来源：学习强国、全国科学技术名词审定委员会