A tudástervezés a mesterséges intelligencia (AI) területe, amely szabályokat hoz létre az adatokra, hogy utánozzák az emberi szakértő gondolkodási folyamatát. A feladat vagy a döntés felépítését vizsgálja annak megállapítására, hogy miként jutnak a következtetésekhez. Ezután létre lehet hozni a problémamegoldó módszerek könyvtárát és az egyes módszerekkel kapcsolatos kiegészítő ismereteket, amelyek a rendszer által diagnosztizált problémákként szolgálnak. A kapott szoftver ezután segíthet a diagnosztizálásban, a problémamegoldásban és a problémák megoldásában önmagában vagy az emberi ügynököt támogató szerepben.
A tudástechnika lebontása
A tudástervezés arra törekedett, hogy a problémamegoldó emberi szakértők szakértelmét átadja egy olyan programnak, amely ugyanazon adatokat gyűjtheti és ugyanazon következtetésre juthat. Ezt a megközelítést átadási folyamatnak nevezik, és uralta a korai tudástervezési kísérleteket. Kedvelt a kedvezőtlenségből; mivel azonban a tudósok és a programozók rájöttek, hogy az emberek által a döntéshozatalban felhasznált ismeretek nem mindig egyértelmûek. Noha sok döntés visszavezethető a múltbeli tapasztalatokra azzal kapcsolatban, hogy mi működött, az emberek párhuzamos tudáskészletekre támaszkodnak, amelyek nem mindig tűnnek logikusan kapcsolódva a feladathoz. Néhány, amit a vezérigazgatók és a csillagbefektetők bélérzékelésnek vagy intuitív ugrásoknak neveznek, jobban leírható, mint analóg érvelés és nemlineáris gondolkodásmód. Ezek a gondolkodásmódok nem képesek közvetlen, lépésről lépésre történő döntési fák számára, és szükség lehet olyan adatforrások begyűjtésére, amelyeknek a bevezetése és feldolgozása költségesebbnek tűnik, mint amennyire érdemes.
Az átviteli folyamat elmaradt a modellezési folyamat mellett. Ahelyett, hogy megkísérelte volna követni a döntés lépésről lépésre, a tudástervezés egy olyan rendszer létrehozására összpontosít, amely ugyanolyan eredményeket fog elérni, mint a szakértő anélkül, hogy ugyanazt az utat követi, vagy ugyanazon információforrásokat megérintené. Ez kiküszöböli a nemlineáris gondolkodáshoz felhasznált tudás nyomon követésének néhány kérdését, mivel az ezt csináló emberek gyakran nem ismerik azokat az információkat, amelyekre húzzák őket. Mindaddig, amíg a következtetések összehasonlíthatók, a modell működik. Ha egy modell következetesen közel áll az emberi szakértőhöz, akkor azt finomítani lehet. A rossz következtetések visszakereshetők és hibakereshetők, és ösztönözhetők azok a folyamatok, amelyek egyenértékű vagy javított következtetéseket hoznak létre.
Tudástervezés az emberi szakértők túllépéséhez
A tudástervezés már integrálva van a döntéstámogató szoftverbe. A speciális tudásmérnököket különféle területeken alkalmazzák, amelyek elősegítik az emberi jellegű funkciókat, ideértve a gépek azon képességét is, hogy felismerjék az arcot vagy elemezhessék azt, amit az ember mond. A modell összetettségének növekedésével a tudásmérnökök nem értik teljesen a következtetések levonásának módját. Végül a tudásmérnöki terület a problémákat és az embereket is megoldó rendszerek létrehozásától a rendszerig terjed, amely kvantitatív módon jobb, mint az emberek. Ezeket a tudásmérnöki modelleket összekapcsolva más képességekkel, például a természetes nyelvfeldolgozás (NLP) és az arcfelismerés, a mesterséges intelligencia lehet a legjobb szerver, pénzügyi tanácsadó vagy utazási iroda, amelyet a világ valaha látott.
