體驗產(chǎn)品
說到人工智能技術(shù),人們首先會聯(lián)想到機器學習、深度學習技術(shù);談到人工智能應(yīng)用,人們很可能會馬上想起語音助理、自動駕駛和各類會話機器人,各行各業(yè)都在研發(fā)底層技術(shù)和尋求AI場景,卻忽略了藏在這些表層技術(shù)之下的重要技術(shù)——知識工程。
1977年美國斯坦福大學計算機科學家費根鮑姆教授(B.A.Feigenbaum)在第五屆國際人工智能會議上提出:“知識工程是人工智能的原理和方法,對那些需要專家知識才能解決的應(yīng)用難題提供求解的手段。恰當運用專家知識的獲取、表達和推理過程的構(gòu)成與解釋,是設(shè)計基于知識的系統(tǒng)的重要技術(shù)問題?!备鶕?jù)這個定義,我們可以認為知識工程包含了知識獲取、知識表示與知識利用三個過程。
關(guān)于知識獲取,目前有三種方式:非自動知識獲取、知識抽取和機器學習知識。非自動知識獲取由知識工程師通過閱讀有關(guān)文獻或與領(lǐng)域?qū)<医涣?,獲取原始知識并進行分析、歸納、整理,形成用自然語言表述的知識條目輸入到數(shù)據(jù)庫中。知識抽取是對蘊含于文本文獻中的知識進行識別、理解、篩選、格式化,把文獻的每個知識點抽取出來,以一定形式存入知識庫中。機器學習知識通過機器的視覺、聽覺等途徑,直接感知外部世界,輸入自然信息,獲取感性和理性知識,或者根據(jù)系統(tǒng)運行經(jīng)驗從已有的知識或?qū)嵗醒堇[、歸納出新知識,補充到知識庫中。非自動知識獲取效率較低,機器學習知識難度太大,而知識抽取是知識獲取的最有效方式。關(guān)于知識表示,目前知識表示的方法有很多,其中最廣為人知的是語義網(wǎng)表示法,是一種重點描述概念之間關(guān)系的表示法。知識圖譜就是基于語義網(wǎng)表示法構(gòu)建知識表示模型最為成功的技術(shù)案例。關(guān)于知識利用,其核心在于在通過知識對新信息進行分析,依據(jù)歷史經(jīng)驗和環(huán)境狀態(tài)為決策提供方案。
在協(xié)同辦公場景下,知識工程依據(jù)使用者對知識處理三個過程的側(cè)重點不同,會產(chǎn)生不同形式的知識服務(wù)。如果辦公人員希望獲得特定實體在某些領(lǐng)域內(nèi)的屬性和活動,那么知識服務(wù)就側(cè)重于知識獲取,問題就會集中在如何高效準確的搜集相關(guān)領(lǐng)域內(nèi)的實體信息。例如,在合同簽訂過程中,法務(wù)人員會對合同相對方在法律糾紛、財務(wù)狀況以及企業(yè)信用方面的屬性和活動就十分在意,對這方面的知識獲取形成了直接需求,在未經(jīng)加工處理和分析的條件下,這些知識就已經(jīng)能夠在合同管理過程中幫助企業(yè)規(guī)避風險。
如果辦公人員希望快速定位解決某些問題所需的必要條件和相關(guān)實體,或者希望由計算機輔助解決這類問題,那么知識服務(wù)就側(cè)重于知識表示。例如,辦公人員在初次遇到某些事項處理時,最優(yōu)先的解決方法就是搜索過往處理人或者相關(guān)文檔。那么由處理事項、處理人和處理文檔構(gòu)成的知識圖譜能夠快速幫助辦公人員理解業(yè)務(wù)現(xiàn)狀和捕獲關(guān)鍵知識,效果如下圖所示。
如果辦公人員需要一個能夠協(xié)助自己完成某些特定工作意圖的機器人辦公助手,那么知識服務(wù)就側(cè)重于知識利用。例如,辦公人員日常需要確認某類公文中相關(guān)規(guī)定是否發(fā)生了變化,新條款是什么之類的問題,又不想自己進行檢索與比對,就可以將辦公人員這類會話意圖固定到知識工程中,利用已經(jīng)構(gòu)建好的公文條款知識,對其進行回復(fù),效果如下圖所示。
知識工程是傳統(tǒng)專家系統(tǒng)在人工智能時代的一種延續(xù)。專家經(jīng)驗、關(guān)鍵領(lǐng)域信息、關(guān)系數(shù)據(jù)模型等各種信息載體都能夠在知識工程中存儲、表示、重組和利用。這使得知識工程在協(xié)同辦公過程中出現(xiàn)的復(fù)雜信息處理、輔助決策以及人機交互等場景都具有較高的應(yīng)用價值。而決定知識工程在協(xié)同辦公應(yīng)用效果的是知識獲取成本、知識處理難度和數(shù)據(jù)開放度,這些制約因素將伴隨著各類人工智能企業(yè)對垂直行業(yè)和精細化場景的深耕而逐漸被忽略,知識工程在協(xié)同辦公領(lǐng)域的應(yīng)用前景是光明的。