知识工程与本体工程：从专家系统到新兴技术的演进

### 知识工程与本体工程：从专家系统到新兴技术的演进 #### 1. 知识工程概述 知识工程及其更正式的变体——本体工程，主要关注知识库的创建和维护。知识库是知识表示建模方案及其推理方法的实现，可视为知识表示技术的应用。该知识技术试图解决以下问题： - 存储和访问知识、本体和元数据的有效机制是什么？ - 可以采用哪些推理方法，以及如何高效执行这些方法？ - 不同结构、分布式和动态的知识库如何以合理的方式相互交互？ - 可以使用哪些方法和机制来捕获知识？ 这些问题反映了知识表示的关键问题，重点在于正确和高效的实现。其中，表达能力与性能的权衡、所支持的推理和分类操作类型、超大型知识库（超过一百万条断言）的设计与实现，以及知识的捕获和维护都至关重要。 许多系统都被称为知识库，大多数是专有、遗留或特定领域格式的，或者基于较旧的专家系统技术，如使用Rete或TREAT算法的产生式规则系统。常见的有Brightware的ART - Enterprise、Gensym的G2、Teknowledge的M.4、IntelliCorp的KEE和NASA的CLIPS等。然而，专家系统技术存在常见的批评，即这种知识表示和推理方法非常脆弱且层次较低，仅基于全局执行的一级条件 - 动作规则的表示在意义粒度、为不同层次用户提供理解以及调试推理链方面存在不足。 知识工程面临的关键问题包括： - 实现和执行语义丰富且足够正确的知识领域模型，以确保用户在所需级别上有意义且合理地使用知识。 - 为知识库获取知识，包括从文档、文档摘要、数据库、网站和其他数据源自动发现和提取知识的过程。 - 实现和执行访问以及推理/推理方法，以最佳利用知识并为用户提供他们期望的详细程度和正确性。 - 实现和执行机制，将来自不同、分布式和动态信息源的知识进行组合。 #### 2. 专家系统及其缺陷 在20世纪80年代初的鼎盛时期，专家系统被广泛认为是一种“杀手级应用”，但随后迎来了“AI寒冬”。专家系统被宣传为基于从人类领域专家获取领域知识的符号AI的可靠应用，能够像人类专家一样解决复杂的推理问题。一般来说，专家系统是产生式系统，支持正向和反向链推理。规则通常采用<IF条件集，THEN动作集>的格式。正向链推理（有时称为自上而下、从左到右的推理）是典型的专家系统推理方法，用于根据环境中的新输入转换或更新全局状态；反向链推理（或自下而上、从右到左的推理、目标导向推理）则相反，用于知识库查询或确定定理是否成立。 专家系统相对于纯过程代码有一定进步，其规则更具声明性，推理方法也不那么随意。然而，其主要缺陷部分源于其优势和从领域专家获取知识的过程。知识获取过程常被称为知识瓶颈，因为它是基于知识的系统依赖的资源密集型过程。此外，专家系统还存在以下问题： - **知识表示扁平**：所有知识都在同一全局级别表示，没有主要的分区或类型，知识状态的变化总是全局变化。 - **系统脆弱**：对一两个规则的轻微修改可能会对整个系统产生不成比例的影响，使看似无关的知识无效或错误验证。 - **表达能力不足**：难以或无法表达某些类型的知识。 - **推理方法不健全**：推理方法不健全、不一致或不完整，其属性也无法正式识别。 - **难以调试**：由于系统结构的复杂性和不确定性，系统