Pengetahuan Akuisisi, Representasi, dan Penalaran Tujuan Pembelajaran Pembelajaran ◆ Memahami hakikat pengetahuan ◆ Memahami proses pengetahuan-engineering pengetahuan-engineering ◆ Pelajari pendekatan yang berbeda untuk akuisisi pengetahuan ◆ Jelaskan pro dan kontra dari pendekatan akuisisi pengetahuan yang berbeda ◆ Ilustrasikan metode untuk verifikasi pengetahuan dan validasi ◆ Memahami strategi inferensi dalam sistem cerdas berbasis aturan ◆ Jelaskan ketidakpastian dan pengolahan ketidakpastian dalam sistem pakar (ES)
Dalam buku ini, kami telah menjelaskan konsep dan struktur ES berbasis pengetahuan. Untuk sistem seperti untuk menjadi berguna, sangat penting untuk memiliki pengetahuan yang kuat dalam basis pengetahuan dan mesin inferensi yang baik yang dapat memperoleh kesimpulan yang valid dari basis pengetahuan. Dalam bab ini, kami akan menjelaskan proses untuk memperoleh pengetahuan dari pakar manusia, memvalidasi dan mewakili pengetahuan, menciptakan dan operasi mekanisme inferensi, dan berurusan dengan ketidakpastian. Bab ini dibagi menjadi bagian berikut: W18.1 Pembukaan Vignette: Pengembangan Real-Time Sistem Berbasis Pengetahuan di Eli Lilly W18.2 Konsep Teknik Pengetahuan Pengetahuan W18.3 Lingkup dan Jenis Pengetahuan Pengetahuan W18.4 metode pencarian pengetahuan dari Ahli W18.5 Mendapatkan Pengetahuan dari Multiple Ahli W18.6 Otomatis Pengetahuan Akuisisi dari Data dan Dokumen W18.7 Pengetahuan Verifikasi dan Validasi W18.8 Representasi Pengetahuan W18.9 Penalaran dalam Sistem Cerdas W18.10 Penjelasan dan Metaknowledge Metaknowledge W18.11 Inferencing dengan Ketidakpastian W18.12 Ahli Pengembangan Sistem W18.13 Pengetahuan Akuisisi dan Internet
W18.1 PEMBUKAAN Vignette: PENGEMBANGAN REAL-TIME SISTEM PENGETAHUAN BERBASIS ELI LILLY MASALAH
Eli Lilly (lilly.com) adalah berbasis di AS , perusahaan manufaktur farmasi global besar yang memiliki 42.600 karyawan di seluruh dunia dan memasarkannya produk di sekitar 160 negara . Produksi obat membutuhkan proses khusus yang disebut fermentasi . Sebuah proses fermentasi khas melibatkan sejumlah kapal diaduk di mana budaya mikroorganisme tumbuh dan dipindahkan ke tangki semakin besar. Dalam rangka untuk memiliki produk berkualitas , proses fermentasi harus dipantau dengan cermat dan dikendalikan secara konsisten . Sayangnya , beberapa parameter kualitas kunci yang sulit dikendalikan menggunakan pengendalian proses statistik tradisional. Sebagai contoh , sulit untuk mengukur keadaan biji fermentasi , tetapi tanpa informasi ini , prediksi dari perilaku siklus produksi dapat tepat . Selanjutnya, Lilly mengoperasikan banyak tanaman yang menggunakan proses yang sama tapi dioperasikan oleh karyawan yang berbeda . Kualitas produk dapat bervariasi secara substansial ketika operator yang berbeda menggunakan pengalaman mereka untuk mengontrol proses. Omset operator yang berpengalaman juga menyebabkan masalah bagi beberapa tanaman. Akibatnya, produktivitas dan masalah kualitas muncul. SOLUSI
Eli Lilly menggunakan ES untuk mengatasi masalah tersebut. Motivasi untuk mengadopsi sistem baru untuk membuat keahlian karyawan teknis utama tersedia untuk operator proses 24 jam sehari, di mana saja. Hal ini dirasakan bahwa ES akan memungkinkan bagian yang relevan dari basis pengetahuan yang akan dikloning dan dibuat tersedia untuk semua tanaman perusahaan. Eli Lilly diinstal Gensym yang G2 (gensym.com/?P=g2_platform) di situs Speke untuk membangun sebuah sistem kualitas peringatan cerdas yang akan memberikan saran yang konsisten real-time ke operator. PROSES PEMBANGUNAN
Eli Lilly sistem berfokus pada tahap benih proses fermentasi. Empat insinyur pengetahuan yang terlibat dalam pengembangan sistem: tiga untuk pengetahuan elisitasi dan satu untuk coding pengetahuan ke dalam aturan dan prosedur G2. Para insinyur pengetahuan memiliki beberapa pengetahuan domain, dan mereka diminta untuk mencatat pengetahuan para ahli tetapi tidak untuk mendahului atau mengoptimalkan dengan sikap pribadi terhadap domain dan khususnya tidak merasionalisasi pengetahuan ke dalam kerangka dengan mana antar - penampil adalah familiar. Mereka juga diminta untuk tidak mengintimidasi para ahli berdasarkan keahlian domain mereka. Seluruh proses pembangunan waktu enam bulan untuk menyelesaikan, dan itu termasuk langkah-langkah utama berikut : 1. Pengetahuan elisitasi. Para insinyur pengetahuan mewawancarai 10 tenaga ahli yang berpengalaman untuk memperoleh pengetahuan mereka. Sebuah alat akuisisi pengetahuan, KAT, digunakan untuk memfasilitasi memfasilitasi akuisisi pengetahuan. 2. Pengetahuan fusi. Wawancara menghasilkan 10 set pengetahuan yang berbeda, direpresentasikan sebagai grafik. Sebuah sidang bersama terintegrasi semua set. 3. Coding dari basis pengetahuan. Grafik pengetahuan yang diperoleh diubah menjadi aturan diterima G2. Awalnya, total 60 aturan yang diproduksi.
4. Pengujian dan evaluasi. Sistem ini diuji dengan menggunakan nilai-nilai yang anomali simulasi untuk variabel dan output verifikasi. HASIL
Konfigurasi otomatisasi terukur lebih intuitif dan lebih cepat bahkan ketika mengambil kurva belajar menjadi pertimbangan. Program mengeksekusi persis seperti yang digambar pembuatan bukti visual perhitungan cepat dan mudah. Dua rutinitas dapat diaktifkan selama simulasi atau start-up untuk menemukan yang memberikan waktu respon terbaik. Perbandingan tersebut sangat sulit dengan otomatisasi yang lebih tua. OLE untuk pengendalian proses (OPC) komunikasi menambah standar antara daerah produksi yang fleksibel. Ini menyediakan standar pertukaran data dan konstruksi yang memungkinkan pertukaran informasi antar program, seperti Microsoft Office. OPC juga menyediakan lebih kuat, aman, dan berorientasi objek kode dan pengecekan error yang lebih besar. Pertanyaan untuk Vignette Pembukaan 1. Mengapa Eli Lilly perlu mengembangkan sistem cerdas untuk memberikan saran untuk memproses operator? 2. Mengapa para insinyur pengetahuan coding diminta untuk tidak menggunakan kerangka pengetahuan mereka sendiri tetapi untuk merekam hanya pengetahuan dari para ahli? 3. Mengapa kita perlu insinyur pengetahuan untuk mengembangkan ES? Bisakah kita meminta para ahli untuk mengembangkan sistem sendiri? 4. Apa pendapat Anda tentang pendekatan Eli Lilly, yang dikembangkan 10 basis pengetahuan terpisah dan kemudian menempatkan mereka bersama-sama melalui fusi pengetahuan? Apa pro dan kontra dari pendekatan ini? 5. Untuk pengujian sistem dan evaluasi, Eli Lilly menggunakan data simulasi daripada data real. Mengapa hal ini dapat diterima untuk real-time ES? Dapatkah Anda memikirkan pendekatan yang lebih baik untuk pengujian sistem dan evaluasi? 6. Apa manfaat dari menggunakan alat akuisisi pengetahuan? APA KITA BISA BELAJAR DARI Vignette INI
Pembukaan sketsa menggambarkan proses memperoleh pengetahuan dan penggelaran dalam sistem pemantauan real-time. Ini juga menggambarkan penggunaan alat-alat akuisisi pengetahuan dibantu komputer untuk membuat pekerjaan pengembangan lebih mudah dan untuk mengintegrasikan pengetahuan dari beberapa ahli.
W18.2 KONSEP REKAYASA PENGETAHUAN
Proses memperoleh pengetahuan dari para ahli dan membangun basis pengetahuan disebut pengetahuan teknik. Kegiatan pengetahuan teknik didefinisikan dalam karya perintis Feigenbaum dan McCorduck (1983) sebagai seni untuk menciptakan prinsip-prinsip dan alat-alat penelitian kecerdasan buatan untuk menanggung pada masalah aplikasi sulit yang membutuhkan pengetahuan para ahli untuk solusi mereka. Pengetahuan teknik melibatkan kerjasama ahli manusia dalam domain bekerja dengan insinyur pengetahuan untuk menyusun dan membuat eksplisit aturan (atau prosedur lain) yang ahli manusia menggunakan untuk memecahkan masalah nyata. Lapangan tersebut berkaitan dengan rekayasa perangkat lunak. Pengetahuan teknik dapat dilihat dari dua perspektif: sempit dan luas. Menurut perspektif sempit, transaksi pengetahuan teknik dengan pengetahuan akuisisi, representasi, validasi, Inferencing, penjelasan, dan pemeliharaan. Atau, sesuai dengan perspektif yang luas, istilah menjelaskan seluruh proses pengembangan dan pemeliharaan sistem cerdas. Dalam buku ini, kita menggunakan definisi yang sempit. Pengetahuan yang dimiliki oleh para ahli manusia sering tidak terstruktur dan tidak secara eksplisit diungkapkan. Tujuan utama dari rekayasa pengetahuan adalah untuk membantu para ahli mengartikulasikan apa yang mereka ketahui dan mendokumentasikan pengetahuan dalam bentuk dapat digunakan kembali. Untuk rincian, lihat en.wikipedia.org / wiki / Knowledge_engineering. PROSES REKAYASA PENGETAHUAN
Proses pengetahuan rekayasa meliputi lima kegiatan utama:
Akuisisi Pengetahuan Akuisisi pengetahuan melibatkan akuisisi pengetahuan dari pakar manusia, buku, dokumen, sensor, atau file komputer. Pengetahuan mungkin khusus untuk masalah domain atau prosedur pemecahan masalah, mungkin pengetahuan umum (misalnya, pengetahuan tentang bisnis), atau mungkin metaknowledge (pengetahuan tentang pengetahuan). (By metaknowledge, kita berarti informasi tentang bagaimana para ahli menggunakan pengetahuan mereka untuk memecahkan masalah dan sekitar prosedur pemecahan masalah secara umum.) Byrd (1995) secara resmi diverifikasi bahwa akuisisi pengetahuan adalah hambatan dalam pengembangan ES hari ini, penelitian demikian, banyak teori dan terapan masih terus dilakukan di daerah ini. Sebuah analisis lebih dari 90 aplikasi ES dan teknik akuisisi pengetahuan mereka dan metode yang tersedia di Wagner et al. (2003). Representasi pengetahuan Pengetahuan yang diperoleh diatur sehingga akan siap untuk digunakan, dalam suatu kegiatan disebut representasi pengetahuan. Kegiatan ini melibatkan persiapan peta pengetahuan dan pengkodean pengetahuan dalam basis pengetahuan. Validasi Pengetahuan Pengetahuan validasi (atau verifikasi) melibatkan memvalidasi dan memverifikasi pengetahuan (misalnya, dengan menggunakan uji kasus) sampai kualitas dapat diterima. Hasil Pengujian biasanya ditampilkan untuk sebuah domain ahli (s) untuk memverifikasi keakuratan ES. Inferencing Kegiatan ini melibatkan desain perangkat lunak untuk memungkinkan komputer untuk membuat kesimpulan berdasarkan pada pengetahuan disimpan dan spesifikasi masalah. Sistem ini kemudian dapat memberikan saran kepada pengguna non-ahli. Penjelasan dan justifikasi
Langkah ini melibatkan desain dan pemrograman kemampuan penjelasan (misalnya, pemrograman kemampuan untuk menjawab pertanyaan-pertanyaan seperti mengapa bagian tertentu dari informasi yang dibutuhkan oleh komputer atau bagaimana suatu kesimpulan tertentu diturunkan oleh komputer). THE COMMONKADS METODOLOGI
CommonKADS dianggap metodologi terkemuka untuk mendukung pengetahuan teknik terstruktur. Ini telah secara bertahap dikembangkan dan telah divalidasi oleh banyak perusahaan dan universitas dalam konteks Eropa TI program ESPRIT. Sekarang Eropa standar de facto untuk analisis pengetahuan dan pengembangan sistem pengetahuan intensif, dan banyak perusahaan telah diadopsi secara keseluruhan atau sebagian dimasukkan dalam metode yang ada. CommonKADS memungkinkan pengakuan peluang dan hambatan dalam bagaimana organisasi mengembangkan, mendistribusikan, dan menerapkan sumber daya pengetahuan, sehingga merupakan alat untuk manajemen pengetahuan perusahaan. CommonKADS juga menyediakan metode untuk melakukan analisis rinci tugas pengetahuan intensif dan proses. Akhirnya, CommonKADS mendukung pengembangan sistem pengetahuan yang mendukung bagian-bagian yang dipilih dari proses bisnis. Untuk rincian, lihat Schreiber et al. (2000) dan en.wikipedia.org/wiki/CommonKADS. Bagian W18.2 Pertanyaan Ulasan 1. Tentukan pengetahuan teknik. 2. Daftar dan jelaskan secara singkat masing-masing dari lima kegiatan rekayasa pengetahuan. W18.3 RUANG LINGKUP DAN JENIS PENGETAHUAN
Faktor yang paling penting dalam akuisisi pengetahuan adalah ekstraksi pengetahuan dari sumber keahlian dan transfer ke basis pengetahuan dan kemudian ke mesin inferensi. Akuisisi sebenarnya dilakukan sepanjang seluruh proses pembangunan. Pengetahuan merupakan kumpulan fakta khusus, prosedur, dan penilaian biasanya dinyatakan sebagai aturan. Beberapa jenis pengetahuan yang digunakan dalam kecerdasan buatan yang ditunjukkan pada Gambar jenis W18.2.These pengetahuan dapat berasal dari satu atau dari beberapa sumber. SUMBER PENGETAHUAN
Pengetahuan dapat dikumpulkan dari berbagai sumber, seperti buku, film, data komputer-basa, gambar, peta, diagram alur, cerita, sensor, identifikasi frekuensi radio (RFID), lagu, atau bahkan perilaku diamati. Sumber terdiri dari dua jenis: pengetahuan didokumentasikan dan pengetahuan berdokumen. Yang terakhir ini berada dalam pikiran orang. Pengetahuan dapat diidentifikasi dan dikumpulkan dengan menggunakan satu atau beberapa dari indera manusia. Hal ini juga dapat diidentifikasi dan dikumpulkan oleh mesin (misalnya, sensor, scanner, cam-era, pola pencocokan, agen cerdas). Banyaknya sumber dan jenis pengetahuan memberikan kontribusi terhadap kompleksitas akuisisi pengetahuan. Kompleksitas ini hanya satu alasan mengapa sulit untuk memperoleh pengetahuan. Alasan lain yang dibahas dalam Bagian W18.4. Akuisisi Pengetahuan dari Database
Banyak ES dibangun dari pengetahuan diekstraksi secara keseluruhan atau sebagian dari database. Dengan meningkatnya jumlah pengetahuan yang tersimpan dalam database, akuisisi pengetahuan
tersebut menjadi lebih sulit. Untuk perkembangan diskusi dan baru-baru ini, lihat ACM Special Interest Group on Knowledge Discovery dan Data Mining (SIGKDD) (acm.org/sigkdd/), Pertambangan Data dan Knowledge Discovery Journal (springerlink.metapress.com/content/1573-756X/), dan situs Web Microsoft (research.microsoft.com). Roiger dan Geatz (2003) memberikan penjelasan praktis yang sangat baik dari teknik untuk pengetahuan mining dari data dan aplikasi mereka. Beberapa teknik, seperti jaringan saraf dan algoritma genetika, dijelaskan dalam Bab 8 dan 13. Pengetahuan Akuisisi melalui Internet
Dengan meningkatnya penggunaan internet, adalah mungkin untuk mengakses sejumlah besar pengetahuan online. Akuisisi, ketersediaan, dan manajemen pengetahuan melalui internet menjadi masalah keberhasilan kritis untuk pembangunan dan pemeliharaan sistem berbasis pengetahuan, terutama karena mereka memungkinkan akuisisi dan penyebaran jumlah besar pengetahuan dalam waktu singkat melintasi batas-batas organisasi dan fisik . Metode akuisisi pengetahuan dan standar pertama kali didirikan pada tahun 1996. Untuk rincian pengetahuan pertambangan dari Web, lihat Chakrabarti (2002). Komunitas Internet menyediakan ES dengan lingkup yang jauh lebih besar daripada yang mungkin dengan sistem berbasis komputer standar. Benjamin et al. (1999) menggambarkan ontologi untuk membangun alat akuisisi memanfaatkan intranet/internet alat yang tersedia dalam organisasi. Mengadopsi alat seperti HTML browser memungkinkan pengguna untuk dengan cepat menjadi akrab dengan sistem akuisisi. Penambahan standar HTML dapat diterapkan untuk memasukkan informasi metadata, yang memungkinkan informasi eksplisit untuk disimpan dan diambil. Studi kasus rinci diberikan oleh Benjamin et al.( 1999 ) menyoroti kesulitan dalam mengadopsi pendekatan ini dan perbedaan alamat antara ontologi dan berbasis kata kunci pencarian pengetahuan. Juga diperhatikan adalah pengembangan dari Web semantik, yang menggabungkan pengetahuan semantik ke dalam representasi Web (lihat Davies et al.,2003). Lihat Bab 14 untuk penjelasan rinci . TINGKAT PENGETAHUAN
Pengetahuan dapat diwakili pada tingkat yang berbeda. Kedua ekstrem adalah pengetahuan dangkal (yaitu , pengetahuan permukaan ) dan pengetahuan yang mendalam . Dangkal Dangkal pengetahuan Pengetahuan adalah penyajian informasi tingkat permukaan yang dapat digunakan untuk menghadapi situasi yang sangat spesifik . Misalnya, jika Anda tidak memiliki bensin di mobil Anda , mobil tidak akan mulai . Pengetahuan ini dapat ditunjukkan sebagai aturan : Jika tangki bensin kosong , maka mobil tidak akan mulai
Versi dangkal pada dasarnya merupakan hubungan input/output dari sistem. Dengan demikian, dapat idealnya disajikan dalam hal aturan IF-THEN. Representasi Dangkal terbatas . Seperangkat aturan dengan sendirinya mungkin memiliki sedikit makna bagi pengguna. Ini mungkin memiliki sedikit hubungannya dengan cara di mana para ahli melihat domain dan memecahkan masalah. Hal ini dapat membatasi kemampuan sistem untuk memberikan penjelasan yang tepat kepada pengguna. Pengetahuan dangkal juga mungkin tidak cukup dalam menggambarkan situasi yang kompleks. Oleh karena itu, presentasi lebih sering diperlukan .
Pengetahuan Sejati Manusia pemecahan masalah didasarkan pada pengetahuan yang mendalam tentang situasi. Pengetahuan yang mendalam adalah struktur internal dan penyebab sistem dan melibatkan interaksi antara komponen sistem. Pengetahuan yang mendalam dapat diterapkan untuk tugas yang berbeda dan situasi yang berbeda. Hal ini didasarkan pada sepenuhnya terintegrasi, tubuh kohesif kesadaran manusia yang meliputi emosi, akal sehat, intuisi, dan seterusnya. Jenis pengetahuan ini sulit untuk komputerisasi. Pembangun sistem harus memiliki pemahaman yang sempurna dari unsurunsur dasar dan interaksinya, seperti yang dihasilkan oleh alam. Sampai saat ini, tugas seperti itu telah ditemukan untuk menjadi mustahil. Namun, adalah mungkin untuk menerapkan representasi komputerisasi yang lebih dalam dari pengetahuan dangkal. Untuk menjelaskan bagaimana hal ini dilakukan, mari kita kembali ke contoh bensin. Jika kita ingin menyelidiki pada tingkat yang lebih dalam hubungan antara kurangnya bensin dan mobil yang tidak akan mulai, kita perlu mengetahui berbagai komponen dari sistem gas (misalnya, pipa, pompa, filter, pemula). Sistem tersebut secara skematis diperlihatkan pada Gambar W18.3. Untuk mewakili sistem ini dan pengetahuan tentang operasi , kami menggunakan metode representasi pengetahuan khusus seperti jaringan semantik dan frame (lihat Bagian W18.8 ). Ini memungkinkan pelaksanaan lebih dalam tingkat penalaran seperti abstraksi dan analogi , yang merupakan kegiatan ahli yang penting. Kami juga dapat mewakili benda dan proses dari domain keahlian pada tingkat ini, hubungan antara obyek penting. Bimbingan merupakan jenis penting dari keahlian yang telah diwakili dengan pendekatan dalam tingkat. Tujuan dari les adalah untuk menyampaikan kepada siswa pengetahuan domain yang terbaik diwakili pada tingkat yang mendalam: konsep, abstraksi, analogi, dan strategi pemecahan masalah. Pengetahuan yang mendalam jauh lebih sulit untuk mengumpulkan dan memvalidasi daripada pengetahuan dangkal. Untuk pembahasan, lihat Bergeron (2003). Untuk rincian tentang pengetahuan yang mendalam berbasis Web, lihat Mussi (2006). KATEGORI UTAMA PENGETAHUAN
Pengetahuan dapat dikategorikan sebagai pengetahuan deklaratif, pengetahuan prosedural, atau metaknowledge. Deklaratif Pengetahuan. Pengetahuan deklaratif adalah representasi deskriptif pengetahuan. Ini
memberitahu kita fakta-fakta: hal-hal apa. Hal ini dinyatakan dalam sebuah pernyataan faktual, seperti "Ada hubungan positif antara merokok dan kanker." Ahli Domain memberitahu kita tentang kebenaran dan asosiasi. Jenis pengetahuan dianggap dangkal, atau tingkat permukaan, informasi bahwa para ahli dapat mengungkapkannya. Pengetahuan deklaratif ini terutama penting dalam tahap awal akuisisi pengetahuan. Prosedural Pengetahuan. Pengetahuan prosedural menganggap cara di mana hal-hal bekerja di bawah
set keadaan yang berbeda. Berikut ini adalah contoh: "Hitung rasio antara harga saham dan laba per saham. Jika rasio lebih besar dari 12, berhenti penyelidikan Anda. Investasi Anda terlalu berisiko. Jika rasio kurang dari 12, memeriksa neraca. "Dengan demikian, pengetahuan prosedural termasuk urutan langkah-demi-langkah dan bagaimana-untuk jenis instruksi, tetapi juga dapat mencakup penjelasan. Pengetahuan prosedural melibatkan respon otomatis terhadap rangsangan. Hal ini juga dapat memberitahu kita bagaimana menggunakan pengetahuan deklaratif dan bagaimana membuat kesimpulan.
Pengetahuan deklaratif berhubungan dengan objek tertentu. Ini termasuk informasi tentang makna, peran, lingkungan, sumber daya, kegiatan, asosiasi, dan hasil dari objek. Pengetahuan prosedural berkaitan dengan prosedur yang digunakan dalam proses pemecahan masalah (misalnya, informasi tentang definisi masalah, pengumpulan data, proses solusi, kriteria evaluasi). Metaknowledge
Metaknowledge adalah pengetahuan tentang pengetahuan. Di ES, metaknowledge adalah pengetahuan tentang pengoperasian sistem berbasis pengetahuan (yaitu, tentang kemampuan penalaran mereka). Bagian W18.3 Pertanyaan Ulasan 1. 2. 3. 4. 5. 6.
Sebutkan sumber utama pengetahuan. Membedakan antara pengetahuan didokumentasikan dan tidak terdokumentasikan. Bagaimana pengetahuan dikumpulkan? Tentukan pengetahuan dangkal dan pengetahuan yang mendalam. Tentukan pengetahuan prosedural dan pengetahuan deklaratif. Tentukan metaknowledge.
W18.4 METODE PEROLEHAN PENGETAHUAN DARI AHLI
Akuisisi pengetahuan bukanlah tugas yang mudah. Ini termasuk mengidentifikasi pengetahuan, repmembenci pengetahuan dalam format yang tepat, penataan pengetahuan, dan mentransfer-cincin pengetahuan untuk mesin. Beberapa kesulitan dalam akuisisi pengetahuan dijelaskan dalam Teknologi Wawasan W18.2.The proses akuisisi pengetahuan dapat sangat dipengaruhi oleh peran dari tiga peserta utama: insinyur pengetahuan, ahli, dan pengguna akhir. Sebuah pendekatan yang unik untuk hubungan timbal balik dari peserta yang ditawarkan oleh Sandahl (1994). Sandahl menunjukkan bahwa para ahli harus mengambil peran yang sangat aktif dalam penciptaan basis pengetahuan. Insinyur pengetahuan harus bertindak seperti seorang guru penataan pengetahuan, sebuah alat desainer, dan katalis pada antarmuka antara ahli dan pengguna akhir. Persyaratan untuk insinyur pengetahuan yang memenuhi syarat yang tercantum dalam Teknologi Wawasan pendekatan W18.3.This bisa meminimalkan masalah seperti konflik antar-manusia, pengetahuan teknik penyaringan, dan penerimaan pengguna akhir system.Also, permasalahan pemeliharaan pengetahuan dapat dikurangi. Wagner dan Holsapple (1997) menganalisis peran peserta bermain dalam akuisisi pengetahuan. Mereka menyarankan bahwa adalah tepat untuk memikirkan peserta bermain satu atau lebih peran, termasuk bertindak sebagai sumber pengetahuan, agen, dan target untuk proses akuisisi pengetahuan. Mereka lebih lanjut mengembangkan model peserta untuk menjelaskan interaksi peserta dalam metaview akuisisi pengetahuan. Pandangan ini memungkinkan untuk pertimbangan lebih fleksibel dari banyak kemungkinan kombinasi yang dapat dan pasti terjadi dalam kenyataan. PERAN ENGINEERS PENGETAHUAN
Kemampuan dan kepribadian insinyur pengetahuan secara langsung mempengaruhi ahli. Bagian dari akuisisi pengetahuan yang sukses melibatkan mengembangkan hubungan positif dengan ahli. Insinyur pengetahuan bertanggung jawab untuk menciptakan kesan yang tepat, positif mengkomunikasikan
informasi tentang proyek, memahami gaya ahli, menyiapkan sesi, dan sebagainya. Keterampilan yang dibutuhkan oleh para insinyur pengetahuan ditunjukkan dalam Teknologi Wawasan W18.3. Model dasar pengetahuan teknik menggambarkan kerja sama tim di mana seorang insinyur pengetahuan penengah antara ahli dan basis pengetahuan. Gambar W18.4 menunjukkan tugas-tugas berikut yang dilakukan oleh para insinyur pengetahuan pada berbagai tahap akuisisi pengetahuan: 1. 2. 3. 4. 5. 6.
Menyarankan ahli pada proses elisitasi pengetahuan interaktif. Mengatur dan tepat mengelola alat akuisisi pengetahuan interaktif. Mengedit unencoded dan kode basis pengetahuan dengan cara kerjasama ahli. Mengatur dan tepat mengelola alat pengetahuan-encoding. Validasi penerapan basis pengetahuan bekerjasama dengan ahli. Melatih klien dalam penggunaan efektif basis pengetahuan bekerjasama dengan ahli dengan mengembangkan prosedur operasional dan pelatihan.
The elisitasi pengetahuan dari ahli dapat dilihat sebagai proses pemodelan (lihat Teknologi Wawasan W18.4) dan dapat dilakukan secara manual atau dengan bantuan komputer. Teknik elisitasi Kebanyakan pengguna telah dipinjam (sering dengan modifikasi) dari psikologi atau dari analisis sistem. Metode ini elisitasi diklasifikasikan dalam cara yang berbeda dan muncul di bawah nama yang berbeda, untuk diskusi, lihat Moody et al. (1998/1999). PENGETAHUAN METODE PEMODELAN
Metode pemodelan pengetahuan dapat diklasifikasikan menjadi tiga kategori: manual, semi-otomatis, dan otomatis. Metode manual pada dasarnya terstruktur sekitar wawancara dari beberapa jenis. Insinyur
pengetahuan memunculkan pengetahuan dari sumber-sumber ahli atau lainnya dan kemudian kode dalam base.The tiga metode manual utama pengetahuan mewawancarai (yaitu, terstruktur, semi terstruktur, tidak terstruktur), pelacakan proses penalaran, dan mengamati. Metode manual yang lambat, mahal, dan kadang-kadang tidak akurat. Oleh karena itu, ada kecenderungan mengotomatisasi proses sebanyak mungkin. Metode semi-otomatis dibagi menjadi dua kategori: mereka yang dimaksudkan untuk mendukung para
ahli dengan memungkinkan mereka untuk membangun basis pengetahuan dengan sedikit atau tanpa bantuan dari insinyur pengetahuan dan yang dimaksudkan untuk membantu insinyur pengetahuan dengan memungkinkan mereka untuk menjalankan tugas yang diperlukan secara lebih efisien atau efektif cara (kadang-kadang dengan hanya partisipasi minimal oleh seorang ahli). Dalam metode otomatis, peran kedua ahli dan insinyur pengetahuan diminimalkan atau bahkan dihilangkan. Sebagai contoh, metode induksi, yang menghasilkan aturan dari serangkaian kasus yang diketahui, dapat diterapkan untuk membangun basis pengetahuan. Peran ahli dan insinyur pengetahuan yang minimal. Istilah otomatis dapat menyesatkan, tetapi menunjukkan bahwa, dibandingkan dengan metode lain, kontribusi dari seorang insinyur pengetahuan dan ahli relatif kecil. Pedoman Pengetahuan Metode Pemodelan
Manual metode pemodelan pengetahuan meliputi: Wawancara ( terstruktur dan tidak terstruktur ) , proses pelacakan , analisis protokol , observasi. Metode-metode dan lain-lain akan kita diskusikan nanti .
Wawancara. Yang paling umum digunakan bentuk akuisisi pengetahuan adalah analisis wawancara
tatap muka . Ini adalah teknik yang eksplisit yang muncul dalam beberapa variasi . Ini melibatkan dialog langsung antara ahli dan insinyur pengetahuan. Informasi dikumpulkan dengan bantuan instrumen konvensional (misalnya , tape recorder , kuesioner) dan kemudian ditranskrip, dianalisis, dan kode. Dalam wawancara, ahli disajikan dengan kasus simulasi atau, jika mungkin , dengan masalah yang sebenarnya dari jenis yang ES akan diharapkan untuk memecahkan. Ahli diminta untuk berbicara insinyur pengetahuan melalui solusi. Kadang-kadang metode ini disebut berjalan - melalui metode . Salah satu varian dari pendekatan wawancara dimulai dengan tidak ada informasi sama sekali yang diberikan kepada ahli. Setiap fakta ahli membutuhkan harus meminta secara eksplisit. Varian ini membuat jalan ahli melalui domain lebih jelas, terutama dalam hal menentukan masukan ES akan membutuhkan. Proses wawancara dapat membosankan. Ini menempatkan tuntutan besar pada ahli domain, yang harus mampu tidak hanya untuk menunjukkan keahlian tetapi juga untuk mengungkapkannya. Di sisi lain, membutuhkan peralatan sedikit, sangat fleksibel dan portabel, dan dapat menghasilkan sejumlah besar informasi. Ada dua tipe dasar wawancara: tidak terstruktur (informal) wawancara dan wawancara terstruktur. Wawancara tidak terstruktur. Banyak sesi wawancara akuisisi pengetahuan dilakukan secara informal ,
biasanya sebagai titik awal . Mulai informal menghemat waktu , hal ini membantu untuk bergerak cepat untuk struktur dasar dari domain. Biasanya , hal ini diikuti dengan teknik formal. Bertentangan dengan apa yang banyak orang percaya, tidak terstruktur (informal) wawancara tidak sederhana. Bahkan , mereka dapat menyajikan knowledge engineer dengan beberapa sangat bermasalah setelah efek. Unstructured wawancara, menurut McGraw dan Harbison - Briggs(1989), jarang memberikan deskripsi lengkap atau terorganisir proses kognitif. Ada beberapa alasan untuk ini: The domain umumnya kompleks, para ahli biasanya merasa sangat sulit untuk mengungkapkan beberapa elemen yang paling penting dari pengetahuan mereka, ahli domain dapat menafsirkan kurangnya struktur sebagai menyiratkan bahwa mereka tidak perlu mempersiapkan diri untuk wawancara, data yang diperoleh dari wawancara terstruktur sering berhubungan, ada pada berbagai tingkat kompleksitas, dan sulit bagi insinyur pengetahuan untuk meninjau, menafsirkan, dan mengintegrasikan, dan beberapa insinyur pengetahuan memiliki pelatihan dan pengalaman untuk efisien melakukan wawancara terstruktur . Wawancara terstruktur. Sebuah wawancara terstruktur yang sistematis , proses berorientasi pada
tujuan. Hal ini memaksa komunikasi diselenggarakan antara engineer pengetahuan dan ahli . Struktur mengurangi masalah interpretasi yang melekat dalam wawancara terstruktur dan memungkinkan insinyur pengetahuan untuk mencegah distorsi yang disebabkan oleh subjektivitas ahli domain. Penataan wawancara memerlukan perhatian untuk sejumlah isu prosedural , yang diringkas sebagai berikut (lihat Kuhn dan Zohar, 1995, dan McGraw dan Harbison-Briggs, 1989 ) :
Insinyur pengetahuan mempelajari materi yang tersedia pada domain untuk mengidentifikasi demarkasi utama dari pengetahuan yang relevan. Insinyur pengetahuan ulasan kemampuan ES direncanakan. Dia mengidentifikasi target untuk pertanyaan yang akan diajukan selama sesi akuisisi pengetahuan.
Insinyur pengetahuan formal jadwal dan rencana wawancara terstruktur ( menggunakan formulir ) . Perencanaan mencakup menghadiri untuk pengaturan fisik, mendefinisikan pengetahuan tujuan sesi akuisisi dan agenda, dan mengidentifikasi atau memperbaiki bidang utama mempertanyakan . Insinyur pengetahuan dapat menulis contoh pertanyaan, berfokus pada jenis pertanyaan, tingkat , dan teknik bertanya. Pengetahuan insinyur memastikan bahwa domain ahli memahami maksud dan tujuan sesi dan mendorong ahli untuk mempersiapkan sebelum wawancara . Selama wawancara, insinyur pengetahuan berikut pedoman untuk melakukan wawancara . Selama wawancara, insinyur pengetahuan menggunakan kontrol arah untuk mempertahankan struktur wawancara itu.
Karena setiap wawancara berbeda dalam cara yang sangat spesifik, sulit untuk memberikan pedoman yang komprehensif untuk proses wawancara keseluruhan. Oleh karena itu, komunikasi interpersonal dan keterampilan analitik penting. Namun, beberapa pedoman, check-list, dan instrumen yang tersedia yang cukup generik di alam (lihat McGraw dan Harbison-Briggs, 1989) . Ada banyak metode wawancara terstruktur. Beberapa didasarkan pada psikologi , dan lain-lain didasarkan pada disiplin ilmu, seperti antropologi. Teknik wawancara, meskipun sangat populer, memiliki banyak kendala, mulai dari ketidaktepatan dalam mengumpulkan informasi untuk bias diperkenalkan oleh pewawancara. Singkatnya, wawancara merupakan teknik penting, tetapi mereka harus direncanakan dengan hati-hati, dan hasil wawancara harus dilakukan verifikasi menyeluruh dan metodologi validasi. Wawancara kadang-kadang diganti dengan metode pelacakan. Atau, mereka dapat digunakan untuk melengkapi pelacakan atau metode akuisisi pengetahuan lainnya. Sebaiknya sebelum mewawancarai ahli utama, insinyur pengetahuan harus mewawancarai ahli berpengetahuan kurang atau kecil, menggunakan pendekatan wawancara baru saja dijelaskan. Ini dapat membantu insinyur pengetahuan belajar tentang masalah, maknanya, para ahli, dan pengguna. Pewawancara juga akan dapat lebih memahami terminologi dasar dan (jika ia adalah seorang pemula di daerah) mengidentifikasi sumber-sumber arsip tentang masalah yang pertama. Insinyur pengetahuan berikutnya harus membaca tentang masalah. Kemudian ahli utama dapat diwawancarai jauh lebih efektif. Proses Pelacakan dan Analisis Protokol
Proses pelacakan adalah seperangkat teknik yang mencoba untuk melacak proses penalaran seorang pakar. Ini adalah pendekatan yang populer di kalangan psikolog kognitif yang tertarik dalam menemukan kereta ahli pemikiran dalam mencapai suatu kesimpulan. Insinyur pengetahuan dapat menggunakan proses pelacakan untuk mencari informasi apa yang digunakan dan bagaimana itu sedang digunakan. Metode pelacakan dapat formal atau informal. Metode formal yang paling umum adalah analisis protokol. Protokol analisis, terutama set teknik yang dikenal sebagai analisis protokol verbal, adalah metode dimana knowledge engineer memperoleh pengetahuan rinci dari ahli. Protokol adalah catatan atau dokumentasi langkah-demi-langkah pemrosesan informasi ahli dan perilaku pengambilan keputusan. Dalam metode ini, yang mirip dengan wawancara tapi lebih formal dan sistematis, ahli diminta untuk melakukan tugas yang nyata dan verbalisasi proses berpikir nya. Ahli diminta untuk berpikir keras saat melakukan tugas atau memecahkan masalah di bawah pengamatan. Biasanya, rekaman dibuat sebagai ahli berpikir keras, ia menjelaskan setiap aspek dari pemrosesan informasi dan perilaku pengambilan keputusan. Rekaman kemudian menjadi catatan, atau protokol, perilaku ahli yang sedang berlangsung.
Kemudian, rekaman ditranskripsi untuk analisis lebih lanjut (misalnya, untuk menyimpulkan proses pengambilan keputusan) dan kode oleh insinyur pengetahuan. (Untuk rincian lebih lanjut, lihat Owen et al., 2006.) Berbeda dengan metode wawancara interaktif, analisis protokol terutama melibatkan komunikasi satu arah. Insinyur pengetahuan mempersiapkan skenario dan rencana proses. Selama sesi, ahli tidak banyak bicara saat berinteraksi dengan data untuk memecahkan masalah. Bersamaan, insinyur pengetahuan mendengarkan dan mencatat proses. Kemudian, insinyur pengetahuan harus mampu menganalisis, menafsirkan, dan struktur protokol menjadi representasi pengetahuan untuk diperiksa oleh ahli. Proses analisis protokol diringkas sebagai berikut:
1. Menyediakan ahli dengan berbagai informasi biasanya terkait dengan tugas. 2. Mintalah ahli untuk verbalisasi tugas dengan cara yang sama seperti yang akan dilakukan normal sementara verbalisasi proses pengambilan keputusan-nya dan mencatat verbalisasi pada tape. 3. Membuat laporan dengan menyalin protokol verbal. 4. Mengumpulkan laporan yang tampaknya memiliki kandungan informasi yang tinggi. 5. Sederhanakan dan menulis ulang laporan dikumpulkan dan membangun sebuah tabel aturan produksi dari laporan dikumpulkan. 6. Menghasilkan serangkaian model dengan menggunakan aturan produksi. Berikut ini adalah keuntungan dari analisis protokol:
Ahli sadar menganggap heuristik pengambilan keputusan. Ahli sadar menganggap alternatif keputusan, atribut, dan nilai-nilai. Insinyur pengetahuan dapat mengamati dan menganalisis perilaku pengambilan keputusan. Insinyur pengetahuan dapat merekam, dan kemudian menganalisis dengan pakar, poin keputusan penting.
Berikut ini adalah keterbatasan analisis protokol:
Ahli harus menyadari mengapa dia membuat keputusan. Ahli harus dapat mengkategorikan alternatif keputusan besar. Ahli harus mampu untuk verbalisasi atribut dan nilai-nilai dari alternatif keputusan. Ahli harus mampu alasan tentang pemilihan alternatif yang diberikan. Pandangan pengambilan keputusan adalah subyektif. Penjelasan mungkin tidak melacak dengan penalaran.
Pengamatan
Kadang-kadang adalah mungkin untuk mengamati seorang ahli di tempat kerja. Dalam banyak hal, ini adalah pendekatan yang paling jelas dan mudah untuk akuisisi pengetahuan. Namun, kesulitan yang tidak bisa diremehkan. Misalnya, kebanyakan ahli menyarankan beberapa orang dan dapat bekerja di beberapa domain sekaligus. Dalam hal ini, pengamatan pengetahuan insinyur akan mencakup semua kegiatan lain juga. Oleh karena itu, sejumlah besar pengetahuan sedang dikumpulkan, yang hanya sedikit berguna. Secara khusus, jika rekaman atau kaset video yang dibuat, biaya menyalin sejumlah besar pengetahuan harus dipertimbangkan dengan cermat.
Pengamatan, yang dapat dilihat sebagai kasus khusus dari protokol, terdiri dari dua jenis : gerakan motorik dan gerakan mata. Dengan pengamatan gerakan motor, performa fisik ahli tugas (misalnya, berjalan, mencapai, berbicara) didokumentasikan. Dengan pengamatan gerakan mata, catatan terbuat dari mana ahli perbaikan nya tatapan. Pengamatan digunakan terutama sebagai cara untuk mendukung protokol verbal. Mereka umumnya mahal dan memakan waktu . Pedoman Pengetahuan Metode Pemodelan Lain
Banyak metode manual lainnya dapat digunakan untuk memperoleh pengetahuan dari para ahli . Sebuah daftar perwakilan yang diberikan di sini ( untuk pembahasan lengkap, lihat Hart , 1992; dan Scott et al , 1991 . ) :
Analisis Kasus. Para ahli diminta bagaimana mereka menangani kasus-kasus tertentu di masa lalu.
Biasanya, metode ini melibatkan dokumentasi analisis. Selain para ahli, orang lain (misalnya, manajer, pengguna) dapat dipertanyakan . Analisis insiden kritis . Dalam pendekatan ini, hanya kasus-kasus yang dipilih adalah diselidikibiasanya mereka yang mengesankan, sulit, atau minat khusus. Kedua ahli dan non-ahli dapat dipertanyakan. Diskusi dengan pengguna. Meskipun pengguna tidak ahli, mereka dapat cukup memiliki pengetahuan tentang beberapa aspek dari masalah. Mereka juga dapat menunjukkan daerah di mana mereka membutuhkan bantuan. Ahli mungkin tidak menyadari beberapa kebutuhan pengguna . Komentar . Dengan metode ini, insinyur pengetahuan meminta ahli untuk memberikan komentar tentang apa yang dia lakukan. Metode ini dapat didukung dengan rekaman video para ahli dalam tindakan atau dengan meminta pengamat untuk melakukan komentarnya. Brainstorming. Metode ini dapat digunakan untuk menjaring pendapat dari beberapa ahli dan dapat membantu menghasilkan ide-ide. Brainstorming elektronik juga dapat digunakan, termasuk blackboarding, yang telah diimplementasikan sebagai papan tulis elektronik. Perangkat lunak baru tersedia untuk ini, seperti Microsoft NetMeeting, MSN Messenger (msn.com), dan program HomeMeeting dikembangkan di University of Washington (homemeeting.com), adalah alat yang kuat untuk memegang sesi akuisisi pengetahuan terpencil. Prototyping . Bekerja dengan prototipe dari sistem ini adalah pendekatan yang kuat untuk mendorong para ahli untuk menyumbangkan pengetahuan mereka. Ahli suka mengkritik sistem, dan perubahan dapat dibuat untuk prototipe langsung. Multidimensional scaling. Teknik kompleks skala multidimensi mengidentifikasi berbagai dimensi pengetahuan dan kemudian menempatkan pengetahuan dalam bentuk matriks jarak. Dengan menggunakan kuadrat- pas regresi, berbagai dimensi dianalisis, ditafsirkan, dan terpadu. Hirarkis pengelompokan Johnson. Ini adalah metode skala lain, tapi itu jauh lebih mudah untuk diterapkan daripada skala multidimensi dan karena itu lebih sering digunakan . Ini menggabungkan unsur-unsur pengetahuan yang terkait ke dalam kelompok (dua elemen pada satu waktu) . Kinerja ulasan. Karena pengembangan ES adalah proses yang berkelanjutan, semua hal di atas dapat diterapkan secara iteratif sebagai sistem berevolusi . Grafik konseptual dan model . Diagram dan metode grafis lainnya dapat berperan dalam mendukung metode akuisisi lainnya.
Semi-otomatis Pengetahuan Metode Pemodelan
Akuisisi pengetahuan dapat didukung oleh alat berbasis komputer . Alat-alat ini menyediakan lingkungan di mana insinyur pengetahuan atau ahli dapat mengidentifikasi pengetahuan melalui proses interaktif . Grid analisis perbendaharaan ( RGA ) adalah salah satu metode yang khas . Perbendaharaan Grid Analisis (RGA) RGA didasarkan pada model Kelly pemikiran manusia yang disebut teori konstruksi pribadi (lihat Hart , 1992; dan Stewart dan Mayes, 2000). Informasi lebih lanjut tentang teori dapat ditemukan dalam penelitian arsip BizTech (brint.com/PCT.htm/) dan pada Pribadi membangun Psikologi situs Web (repgrid.com/pcp/). Menurut teori ini, setiap orang dipandang sebagai seorang ilmuwan pribadi yang berusaha untuk memprediksi dan mengendalikan peristiwa dengan membentuk teori, pengujian hipotesis, dan menganalisis hasil percobaan. Pengetahuan dan persepsi tentang dunia (atau sekitar sebuah domain atau masalah) diklasifikasikan dan dikelompokkan oleh setiap individu sebagai model, persepsi pribadi. Berdasarkan model yang dikembangkan, setiap individu mampu mengantisipasi dan kemudian bertindak atas dasar antisipasi tersebut . Model ini cocok pribadi pandangan kita tentang seorang ahli di tempat kerja , yang merupakan deskripsi dari pengembangan dan penggunaan pengetahuan ahli , dan sehingga sangat cocok untuk ES , seperti yang disarankan oleh Hart ( 1992) . RGA adalah metode menyelidiki model seperti itu . Bagaimana RGA Kerja. RGA menggunakan beberapa proses . Pertama, ahli mengidentifikasi objek penting dalam domain keahlian. Misalnya, bahasa komputer (misalnya , LISP , C11 , COBOL) adalah obyek dalam situasi perlu memilih bahasa komputer. Identifikasi ini dilakukan dalam sebuah wawancara . Kedua, ahli mengidentifikasi atribut penting yang dipertimbangkan dalam pengambilan keputusan dalam domain. Misalnya, ketersediaan paket komersial dan kemudahan pemrograman merupakan faktor penting dalam memilih bahasa komputer . Ketiga, untuk setiap atribut, ahli diminta untuk menetapkan skala bipolar dengan karakteristik dibedakan (yaitu, sifat ) dan kebalikannya . Misalnya, dalam memilih bahasa komputer, informasi yang ditampilkan pada Tabel W18.1 dapat dimasukkan. Keempat, pewawancara mengambil tiga dari objek dan bertanya, "Apa atribut dan sifat-sifat membedakan dua dari benda-benda dari ketiga? " Sebagai contoh, jika satu set termasuk LISP, PROLOG, dan COBOL, ahli dapat menunjukkan orientasi. Kemudian ahli akan mengatakan bahwa LISP dan PROLOG adalah simbol di alam, sedangkan COBOL numerik. Jawaban-jawaban ini dijabarkan ke dalam poin pada skala 1 sampai 3 (atau 1 sampai 5). Langkah ini berlanjut selama beberapa kembar tiga benda. Jawabannya dicatat dalam kotak, seperti yang ditunjukkan pada Tabel W18.2. Angka-angka dalam grid menunjuk titik ditugaskan untuk setiap atribut untuk setiap objek . Ketika grid selesai, ahli dapat mengubah peringkat dalam kotak. Grid dapat digunakan setelahnya untuk membuat rekomendasi dalam situasi di mana pentingnya atribut diketahui. Sebagai contoh, dalam arti sederhana, dapat dikatakan bahwa jika orientasi numerik sangat penting, maka COBOL akan menjadi bahasa yang direkomendasikan. Untuk aplikasi yang menarik dari RGA, lihat Hunter dan Beck ( 2000 ). Penggunaan RGA di ES. Sejumlah alat akuisisi pengetahuan telah dikembangkan berdasarkan RGA . Alat
ini ditujukan untuk membantu dalam konseptualisasi domain. Tiga alat perwakilan adalah ETS, AQUINAS, dan Kriton.
Sebuah sistem transfer pakar(ETS) adalah program komputer yang wawancara ahli dan membantu mereka membangun ES. ETS wawancara ahli untuk mengungkap kesimpulan kosakata, pemecahan masalah sifat, struktur sifat, bobot sifat, dan inkonsistensi. Ini telah digunakan untuk membangun prototipe cepat (sering dalam waktu kurang dari dua jam untuk ES sangat kecil), untuk membantu ahli dalam menentukan apakah ada cukup pengetahuan untuk memecahkan masalah, dan untuk menciptakan basis pengetahuan untuk berbagai kerang ES berbeda dari representasi internal sendiri. Sebuah versi perbaikan dari ETS, disebut NeoETS, telah dikembangkan untuk memperluas kemampuan ETS. Metode ini terbatas pada klasifikasi tipe- masalah (untuk rinciannya, lihat Boose dan Gaines, 1990). ETS sekarang merupakan bagian dari AQUINAS. AQUINAS adalah alat yang sangat kompleks (lihat Boose dan Bradshaw, 1993, 1999) yang memperpanjang pemecahan masalah dan representasi pengetahuan ETS dengan memungkinkan para ahli untuk struktur pengetahuan dalam hierarki. Satu set heuristik telah ditetapkan dan dimasukkan dalam Dialog Manager, subsistem dari AQUINAS, untuk memberikan bimbingan dalam proses akuisisi pengetahuan para ahli dan insinyur domain pengetahuan. Enquire Within ( enquirewithin.co.nz ) adalah alat perangkat lunak interaktif online yang grafik dan pikiran mengklarifikasi dan persepsi berdasarkan perbendaharaan teknik wawancara jaringan. Pengguna diambil melalui proses membandingkan dan kontras, sehingga menghasilkan representasi grafis yang menunjukkan bagaimana seseorang telah dievaluasi dan menggambarkan materi pelajaran untuk sesi tertentu. Penggunaannya termasuk menganalisis hubungan pribadi atau peluang, pengambilan keputusan dukungan, dan pengembangan ES, dan dapat digunakan sebagai bantuan studi sekolah berbasis komputer. Sebuah PC berbasis beberapa alat RGA yang tersedia (misalnya, PCGRID dari April Metzler di Lehigh University). Salah satu yang pertama alat berbasis web untuk akuisisi pengetahuan, WebGrid, meningkatkan akuisisi pengetahuan kolaboratif (lihat ksi.cpsc.ucalgary.ca/KAW/KAW96/gaines/KMD.html). Juga, ada paket perangkat lunak seperti Circumgrids (W. Chambers, Universitas South Florida) untuk menganalisis grid perbendaharaan melalui metode seperti analisis klaster dan analisis faktor atau analisis komponen utama . Kartu Sorting data
Diantara pengetahuan elisitasi teknik penyortiran kartu adalah penting untuk kesederhanaan penggunaan, fokus pada terminologi subyek' (bukan yang ahli eksternal), dan kemampuannya untuk memperoleh pengetahuan semi-tacit. Penyortiran kartu melibatkan mengkategorikan satu set gambar, benda, atau kartu berlabel ke kelompok yang berbeda dengan menggunakan kriteria tunggal. Metode analisis semantik tradisional yang memerlukan interpretasi peneliti langsung menimbulkan istilah linguistik dibedakan dari metode yang murni sintaksis dan karenanya dapat otomatis. Untuk gambaran, lihat edisi khusus Sistem Pakar diedit oleh Fincher dan Tenenberg (2005). Alat Computer-Aided lainnya
Sebuah alat akuisisi pengetahuan cerdas harus mampu menambah pengetahuan untuk basis pengetahuan secara bertahap dan memperbaiki atau bahkan memperbaiki pengetahuan yang ada. Sleeman dan Mitchell (1996) dijelaskan dua sistem, REFINER1 dan Tigon, yang memungkinkan seorang ahli domain untuk melakukan akuisisi pengetahuan langsung . Sistem ini telah digunakan , masing-
masing, untuk manajemen pasien dan untuk diagnosis turbin errors. REFINER1 adalah sistem berbasis kasus yang menyimpulkan deskripsi prototipikal untuk setiap kelas, yang diberi label oleh pakar domain. Menggunakan kasus yang ada langsung dari database . Hal ini kemudian memungkinkan ahli untuk bekerja dengan modifikasi yang diusulkan yang akan menghilangkan inkonsistensi tertentu. Tigon dikembangkan untuk mendeteksi dan mendiagnosa kesalahan dalam mesin turbin gas . Ini menggabungkan materi latar belakang yang menghasilkan basis aturan analog secara otomatis. Lihat Sleeman dan Mitchell (1996) untuk rincian. Proyek Kavas-2 adalah akuisisi pengetahuan, visualisasi, dan sistem penilaian yang membahas kebutuhan untuk mengelola data dan arus informasi dalam kedokteran (lihat Medis Laboratorium Informatika aplikasi protokol sistem (APS), hiww.org/IR.html). Protokol dan prosedur yang disediakan untuk meningkatkan data dan generasi informasi, meningkatkan kualitas manajemen pasien , dan mengurangi biaya dalam pelayanan kesehatan. Sebuah toolbox (Kaviar) disediakan untuk menentukan tujuan-proses pemodelan, mengidentifikasi alat yang sesuai untuk mengatasi tujuan-tujuan ini, menerapkan alat-alat yang dipilih untuk masalah ini, mengukur kualitas solusi yang diajukan, dan memvalidasi hasil. Teknik pemodelan visual yang sering digunakan untuk membangun model domain awal. Tujuan dari pendekatan pemodelan visual adalah untuk memberikan pengguna kemampuan untuk memvisualisasikan masalah di dunia nyata dan memanipulasi unsur-unsur mereka melalui penggunaan grafis (lihat Demetriadis et al, 1999;. Humphrey, 1999, dan Lee et al, 1995.). Kearney ( 1990) menunjukkan bahwa diagram dan gambar yang berguna dalam mewakili masalah , mereka berfungsi sebagai satu set alat bantu memori eksternal dan dapat mengungkapkan inkonsistensi dalam pengetahuan individu (lihat Lockwood dan Chen, 1994). Metode pembelajaran mesin dapat menyebabkan pohon keputusan dan aturan (lihat Bab 12). Sebuah alat yang tersedia untuk di-download melalui Internet adalah XpertRule dari Attar Software (xpertrule.com). Ini menyediakan lingkungan pengembangan grafis, memungkinkan spesifikasi pohon keputusan berdasarkan logika-proses bisnis. Penyebaran aplikasi yang dikembangkan dapat terjadi melalui mesin mandiri, jaringan, atau Internet/intranet melalui lingkungan runtime XpertRun. Teiresias (lihat Davis, 1993) adalah program klasik yang dikembangkan untuk membantu insinyur pengetahuan dalam penciptaan ( atau revisi ) aturan untuk ES tertentu saat bekerja dengan shell EMYCIN. Program ini menggunakan antarmuka bahasa alami untuk membantu insinyur tes pengetahuan dan debug pengetahuan baru, dan menyediakan kemampuan penjelasan diperluas. Sebagai contoh, jika sistem pembangun menemukan bahwa seperangkat aturan pengetahuan mengarah pada kesimpulan yang tidak memadai , mereka dapat memiliki Teiresias menampilkan semua aturan yang digunakan untuk mencapai kesimpulan itu. Dengan editor aturan , penyesuaian dapat dengan mudah dibuat. Untuk mempercepat proses, Teiresias menerjemahkan setiap aturan baru , yang dimasukkan dalam bahasa alami, dalam LISP. Kemudian retranslates aturan dalam bahasa alami . Program ini dengan demikian dapat menunjukkan inkonsistensi, konflik aturan, dan kekurangan. (Untuk bantuan akuisisi dari database, lihat International Journal of Intelligent Systems, September 1992) Sebuah penggunaan yang agak baru-baru Teiresias telah membantu dalam pelacakan hacker sistem komputer. Teiresias digunakan untuk memonitor sistem selama operasi normal dan menganalisis arus informasi, mencari mengulangi string informasi. String ini merupakan suatu sistem komputer individu, upaya untuk membobol sistem komputer akan mengubah mereka, yang memungkinkan komputer
untuk memantau operasi sendiri. Untuk informasi lebih lanjut dan penggunaan diterapkan aktual, lihat domino.research.ibm.com/comm/research.nsf/pages/r.compbio.html . Sebagian besar alat-alat sebelumnya dan banyak lainnya yang dirancang sebagai alat mandiri didasarkan pada asumsi bahwa mereka akan digunakan oleh peserta ES tertentu (misalnya, seorang ahli) untuk pelaksanaan tugas tertentu. Namun dalam kenyataannya, peserta dapat memainkan peran ganda atau bahkan peran pertukaran. Oleh karena itu, ada kecenderungan mengintegrasikan bantu akuisisi. Untuk gambaran alat integrasi tersebut, lihat Boose dan Gaines ( 1990) dan Diamantidis dan Giakoumakis (1999). Otomatis Pengetahuan Metode Pemodelan
Selain metode semi-otomatis yang menggunakan komputer untuk mendukung proses akuisisi pengetahuan, ada situasi di mana pengetahuan dapat diekstraksi secara otomatis dari data yang ada. Proses menggunakan komputer untuk mengekstrak pengetahuan dari data disebut penyerapan pengetahuan. Ada dua alasan utama untuk penggunaan akuisisi pengetahuan otomatis: insinyur pengetahuan yang baik sangat dibayar dan sulit untuk menemukan, dan ahli domain biasanya sibuk dan kadang-kadang tidak kooperatif. Akibatnya, metode elisitasi manual dan semi-otomatis bahkan lambat dan mahal. Selain itu, mereka memiliki beberapa kekurangan lainnya :
Korelasi antara laporan lisan dan perilaku mental yang sering lemah. Dalam situasi tertentu, para ahli tidak dapat memberikan account secara keseluruhan bagaimana mereka membuat keputusan. Kualitas sistem bergantung terlalu banyak pada kualitas dari ahli dan insinyur pengetahuan. Ahli tidak memahami teknologi ES. Insinyur pengetahuan mungkin tidak memahami masalah bisnis. Sulit untuk memvalidasi pengetahuan yang diperoleh .
Perbedaan antara pembelajaran mesin dan penemuan pengetahuan tidak jelas. Beberapa orang cenderung untuk mendefinisikan pembelajaran mesin sebagai pembelajaran induktif dan penemuan pengetahuan termasuk teknik yang lebih (misalnya, clustering, jaringan saraf). XpertRule dari XpertRule Software (xpertrule.com) adalah perangkat lunak yang ekstrak informasi dari pohon keputusan grafis. Excel add -on produk untuk data mining, seperti XLMiner (resample.com/xlminer /index.shtml), juga berguna dalam mencakup pengetahuan dari data. Daftar istilah yang berkaitan dengan penemuan pengetahuan dapat ditemukan dalam Kohavi dan Provost (1998). Perangkat lunak lainnya dan informasi tentang KDD dapat ditemukan di kdnuggets.com. Berikut ini adalah beberapa situs Web yang berguna mesin pembelajaran :
Austria Research Institute for Artificial Intelligence, ofai.at Mesin Jaringan Belajar di UCI, ics.uci.edu/~mlearn/MLOther.html MINEit Software Limited, kdnuggets.com/software.html Mesin Learning Network-Online Information Service , mlnet.org Institut Teknologi Informasi, Dewan Riset Nasional, Kanada, iit-iti.nrc-cnrc.gc.ca
Menurut Roiger dan Geatz ( 2003 ) , metode khas untuk penemuan pengetahuan meliputi :
Pembelajaran induktif . Aturan diinduksi dari kasus yang ada dengan hasil yang diketahui. Aturan
diinduksi kemudian dapat disimpan dalam basis pengetahuan untuk konsultasi. Metode ini dijelaskan dalam Bagian 18.6 . Neural computing. Neural computing adalah pendekatan lain pemecahan masalah di mana kasus historis digunakan untuk menurunkan solusi untuk masalah baru. Ini meniru otak manusia dengan membangun neuron buatan dan menyimpan pengetahuan dalam sambungan neuron (lihat Bab 8). Genetik algoritma. Algoritma genetik menggunakan prinsip seleksi alam untuk secara bertahap menemukan kombinasi terbaik dari pengetahuan dari kasus yang diketahui. Seperti dalam proses alamiah evolusi, operasi dasar untuk menemukan pengetahuan adalah reproduksi, pindah silang , dan mutasi (lihat Bab 13).
Dalam Bab 13, kita menjelaskan bagaimana pembelajaran induktif dan metode lainnya bekerja. Teknik juga tersedia untuk menemukan pengetahuan dari dokumen dan Internet. Bagian W18.4 Pertanyaan Ulasan 1. Sebutkan kesulitan dalam memperoleh pengetahuan dari para ahli. 2. Mendata keterampilan yang dibutuhkan insinyur pengetahuan. 3. Apa peran utama insinyur pengetahuan? 4. Tentukan model pengetahuan. 5. Jelaskan wawancara terstruktur dan tidak terstruktur. 6. Tentukan proses pelacakan dan analisis. 7. Jelaskan observasi sebagai metode akuisisi pengetahuan. 8. Sebutkan beberapa metode manual lain akuisisi pengetahuan. 9. Jelaskan RGA. 10.Daftar dan menjelaskan metode otomatis lainnya akuisisi pengetahuan.
W18.5 PEROLEHAN PENGETAHUAN DARI AHLI GANDA
Sebuah elemen penting dalam pengembangan ES adalah identifikasi ahli. Ini adalah tugas yang rumit, mungkin karena praktisi menggunakan mekanisme dukungan begitu banyak untuk tugas-tugas tertentu (misalnya, kuesioner, konsultasi informal dan formal, teks). Mekanisme-mekanisme dukungan berkontribusi terhadap kualitas tinggi output profesional, tetapi mereka juga dapat membuat sulit untuk mengidentifikasi "pengetahuan tsar" yang perkiraan, proses, atau pengetahuan jelas lebih unggul apa sistem dan campuran staf, peralatan pendukung, dan konsultasi keterampilan memproduksi dalam rendering layanan klien normal. Pendekatan yang biasa untuk masalah ini adalah untuk membangun ES untuk domain yang sangat sempit di mana keahlian didefinisikan dengan jelas, maka mudah untuk menemukan satu ahli. Namun, meskipun banyak ES telah dibangun dengan satu pakar-pendekatan menganjurkan sebagai strategi yang baik untuk ES konstruksi mungkin ada kebutuhan untuk beberapa ahli, terutama ketika sistem yang lebih serius sedang dibangun atau bila keahlian tidak didefinisikan dengan baik. Kasus yang dijelaskan dalam sketsa pembukaan (lihat Ranjan et al., 2002) adalah contoh yang baik menggunakan beberapa ahli. Berikut ini adalah tujuan utama menggunakan beberapa ahli :
Untuk lebih memahami domain pengetahuan Untuk meningkatkan pengetahuan dasar validitas, konsistensi, kelengkapan, akurasi, dan relevansi. Untuk memberikan produktivitas yang lebih baik Untuk mengidentifikasi hasil yang salah lebih mudah Untuk mengatasi domain yang lebih luas Untuk dapat menangani masalah yang lebih kompleks dan menggabungkan kekuatan dari pendekatan penalaran yang berbeda
Ketika beberapa ahli yang digunakan, sering ada perbedaan pendapat dan konflik yang harus diselesaikan. Hal ini terutama terjadi ketika basis pengetahuan yang dikembangkan dari berbagai sumber di mana sistem ini mengatasi masalah yang melibatkan penggunaan penalaran subyektif dan heuristik . Isu-isu terkait lainnya mengidentifikasi berbagai aspek dari masalah dan mencocokkannya dengan para ahli yang sesuai, mengintegrasikan pengetahuan dari para ahli yang berbeda, asimilasi strategi bertentangan, personalisasi basis pengetahuan masyarakat, dan mengembangkan teknologi pemrograman untuk mendukung masalah ini. SKENARIO GANDA - EXPERT
Ada empat skenario yang mungki, atau konfigurasi, untuk menggunakan beberapa ahli (lihat O'Leary, 1993, dan Rayham and Fairhurst, 1999) : ahli individu, ahli primer dan sekunder, kelompok-kelompok kecil, dan panel. Individu ahli
Dalam hal ini , beberapa ahli menyumbangkan pengetahuan secara individual. Menggunakan beberapa ahli dengan cara ini mengurangi insinyur pengetahuan tentang stres yang terkait dengan tim multi- ahli. Namun, pendekatan ini mensyaratkan bahwa knowledge engineer memiliki sarana untuk menyelesaikan konflik dan menangani beberapa baris penalaran. Contoh dari proses Delphi dilakukan dengan kuesioner untuk memperoleh pengetahuan tentang rumah sakit penjadwalan operasi-kamar disediakan oleh Hamilton (1996). Setelah diakuisisi, pengetahuan ditempatkan dalam ES di beberapa situs. AHLI DASAR DAN MENENGAH
Seorang ahli primer mungkin bertanggung jawab untuk memvalidasi informasi yang diperoleh dari pakar domain lainnya. Insinyur Pengetahuan awalnya dapat berkonsultasi dengan ahli utama untuk bimbingan dalam sosialisasi domain, penyempurnaan rencana akuisisi pengetahuan, dan identifikasi potensi ahli sekunder. Skenario ini menentukan sebagian metode yang akan digunakan untuk menangani beberapa ahli. Kelompok Kecil
Beberapa ahli dapat dikonsultasikan bersama-sama dan diminta untuk memberikan disepakati informasi. Bekerja dengan kelompok-kelompok kecil para ahli memungkinkan insinyur pengetahuan untuk mengamati pendekatan alternatif untuk pemecahan masalah dan hal pokok yang disampaikan dalam diskusi berorientasi solusi di antara para ahli. Panel
Untuk memenuhi tujuan untuk verifikasi dan validasi upaya pembangunan berkelanjutan , program dapat membentuk sebuah dewan ahli. Para anggota dewan biasanya bertemu bersama pada waktu yang dijadwalkan oleh pengembang untuk tujuan meninjau upaya pengembangan basis pengetahuan, konten, dan rencana. Dalam banyak kasus, fungsi ES diuji terhadap keahlian seperti panel. METODE PENANGANAN AHLI GANDA
Putusan ahli berbagai pakar mungkin berbeda. Beberapa pendekatan utama terhadap masalah mengintegrasikan pendapat ahli telah didefinisikan oleh Medsker dan Turban (1995) dan oleh O'Leary (1993) :
Blend beberapa baris penalaran melalui metode konsensus seperti Delphi, teknik kelompok nominal (NGT), dan sistem pendukung kelompok (GSS). Gunakan pendekatan analitik , seperti probabilitas kelompok (lihat O'Leary , 1993 ) , atau proses hirarki analitik (AHP, lihat Hurley dan Lior, 2002). Jaga garis penalaran yang berbeda dan memilih jalur tertentu penalaran berdasarkan situasi. Otomatis proses, dengan menggunakan perangkat lunak (lihat situs Web ACACIA, sop.inria.fr/akasia/Recherches/akasia-recherche-anglais.html) atau pendekatan papan tulis. Membusuk pengetahuan yang diperoleh ke sumber-sumber pengetahuan khusus (yaitu, sistem papan).
Bagian W18.5 Pertanyaan Ulasan 1. 2. 3. 4.
Daftar manfaat menggunakan beberapa ahli. Sebutkan kekurangan dari menggunakan beberapa ahli. Sebutkan beberapa konfigurasi dari beberapa ahli. Daftar metode untuk menggunakan beberapa ahli.
W18.6 OTOMATIS AKUISISI PENGETAHUAN DARI DATA DAN DOKUMEN
Seperti dijelaskan dalam Bagian W18.4, pengetahuan dapat ditemukan dari kasus atau dokumen yang ada, menggunakan perangkat lunak komputer. Alasan penggunaan akuisisi pengetahuan otomatis dirangkum dalam Bagian W18.4. Untuk ES berbasis peraturan, metode klasik adalah dengan menggunakan metode rule-induktif dalam pembelajaran mesin. Pengetahuan juga dapat ditemukan dari dokumen, ini sering disebut text mining. Rincian text mining diuraikan dalam Teknologi Wawasan W18.5. Pada bagian ini, kita menggambarkan aturan induksi secara rinci. Berikut ini adalah tujuan menggunakan akuisisi pengetahuan otomatis :
Untuk meningkatkan produktivitas rekayasa pengetahuan ( mengurangi biaya ) Untuk mengurangi tingkat keterampilan yang dibutuhkan dari knowledge engineer Untuk menghilangkan ( atau mengurangi secara drastis ) kebutuhan akan ahli Untuk menghilangkan ( atau mengurangi secara drastis ) kebutuhan untuk insinyur pengetahuan Untuk meningkatkan kualitas pengetahuan yang diperoleh
Akuisisi Pengetahuan Didokumentasikan
Pengetahuan sering dapat diperoleh dari sumber lain selain, atau bukan, pakar manusia. Pendekatan ini memiliki keuntungan utama menghilangkan kebutuhan untuk menggunakan ahli. Hal ini digunakan dalam berbasis pengetahuan sistem di mana menangani sejumlah besar atau informasi kompleks daripada keahlian kelas dunia adalah perhatian utama. Mencari melalui manual kebijakan perusahaan atau katalog adalah contoh. Saat ini, sangat sedikit metodologi berurusan dengan akuisisi pengetahuan dari sumber didokumentasikan. Mungkin sulit untuk menemukan pengetahuan yang diperlukan dalam database. Salah satu cara untuk meningkatkan pencarian tersebut adalah dengan menggunakan pengetahuan domain untuk memandu pencarian (lihat Owrang dan Groupe, 1996). Lainnya adalah penggunaan agen cerdas (lihat Bab 14). Akuisisi dari sumber didokumentasikan memiliki potensi besar untuk otomatisasi. Pengetahuan didokumentasikan hampir semua jenis dapat dengan mudah dan murah dipindai dan ditransfer ke database komputer. Pengetahuan kemudian dapat dianalisis secara manual atau dengan menggunakan teknologi kecerdasan buatan (kombinasi pengolahan bahasa alami [NLP], agen cerdas, dan ES). Demikian, ES dapat digunakan untuk membangun ES lainnya. Hahn et al. (1996) mengembangkan metodologi untuk akuisisi pengetahuan dan konsep belajar dari teks (dalam bahasa Jerman). Metode ini bergantung pada model berbasis kualitas penalaran terminologis, menggunakan konsep-konsep dari NLP. Tujuan dari metode ini adalah untuk dapat memindai dua jenis dokumen: laporan pengujian pada produk teknologi informasi (sekitar 100 dokumen dengan 100.000 kata) dan laporan temuan medis (sekitar 120.000 dokumen dengan 10 juta kata). Pendekatan lain, yang diusulkan oleh Wang (2005), menggunakan induksi aturan klasifikasi berdasarkan teori himpunan. Kemampuan membangun ES yang dapat memindai database, buku digital, jurnal, dan majalah meningkat. Data yang tersimpan dalam sistem komputer lain dapat diambil secara elektronik untuk membuat atau memperbarui basis pengetahuan ES, semua tanpa intervensi dari seorang insinyur pengetahuan atau ahli. Bidang ini pada dasarnya adalah pada tahap mengembangkan metode baru yang menafsirkan makna untuk menentukan aturan dan bentuk-bentuk pengetahuan lainnya, seperti frame untuk penalaran berbasis kasus . Sejumlah metode baru sedang dikembangkan dan diimplementasikan. Rincian lebih lanjut tentang teks pertambangan dan pertambangan Web dapat ditemukan dalam Bab 7 dan Berry (2003a). OTOMATIS ATURAN INDUKSI
Induksi adalah proses penalaran dari khusus ke umum . Dalam terminologi ES, itu adalah proses dimana suatu program komputer menghasilkan aturan dari contoh kasus. Sebuah sistem induksi aturan diberi contoh masalah (disebut training set) yang hasilnya diketahui. Setelah itu telah diberikan cukup banyak contoh, aturan induksi sistem dapat membuat aturan yang sesuai dengan contoh kasus. Aturan kemudian dapat digunakan untuk menilai kasus baru yang hasilnya tidak diketahui. Jantung dari sistem induksi aturan adalah suatu algoritma yang digunakan untuk menginduksi aturan dari contoh-contoh (lihat Bab 7). Beberapa metode lain ada untuk generasi otomatis pengetahuan, contoh dijelaskan dalam Kasus Aplikasi W18.6. Untuk aplikasi lain, lihat Chun dan Kim (2004).
Contoh dari aturan induksi disederhanakan dapat dilihat dalam karya seorang petugas pinjaman di bank. Permintaan kredit termasuk informasi tentang pelamar, seperti tingkat pendapatan, aset, umur, dan jumlah tanggungan. Ini adalah atribut, atau karakteristik, dari pelamar. Jika kita login beberapa contoh kasus, masing-masing dengan keputusan akhir, kita menemukan situasi yang menyerupai data pada Tabel W18.4. From kasus ini, mudah untuk menyimpulkan tiga aturan berikut :
Jika pendapatan adalah $ 70.000 atau lebih , menyetujui pinjaman. Jika pendapatan adalah $ 30.000 atau lebih , usia minimal 40 , aset di atas $ 249.000 , dan tidak ada tanggungan , menyetujui pinjaman. Jika pendapatan antara $ 30.000 dan $ 50.000 dan aset setidaknya $ 100.000, menyetujui pinjaman.
Keuntungan Peraturan Induksi
Salah satu peneliti terkemuka di bidang, Donald Michie , telah menunjukkan bahwa hanya beberapa jenis pengetahuan dapat diperoleh dengan baik menggunakan metode akuisisi pengetahuan pengguna, seperti wawancara dan observasi. Ini adalah kasus di mana domain pengetahuan yang pasti, kecil, longgar-digabungkan, atau modular. Sebagai domain akan lebih besar atau tidak pasti, dan karena mendapat lebih kompleks, para ahli menjadi tidak dapat menjelaskan bagaimana mereka lakukan. Meskipun demikian, mereka masih dapat menyediakan knowledge engineer dengan contoh-contoh yang sesuai masalah dan solusi mereka. Menggunakan aturan induksi memungkinkan ES untuk digunakan dalam bidang yang lebih rumit dan lebih menguntungkan secara komersial . Keuntungan lain dari aturan induksi adalah bahwa pembangun tidak harus menjadi insinyur pengetahuan. Ia dapat menjadi ahli atau analis sistem. Ini tidak hanya menghemat waktu dan uang, tetapi juga memecahkan kesulitan dalam berurusan dengan seorang insinyur pengetahuan yang mungkin menjadi orang luar terbiasa dengan bisnis . Mesin induksi juga menawarkan kemungkinan menyimpulkan pengetahuan baru. Setelah aturan yang dihasilkan, mereka diperiksa oleh seorang ahli dan dimodifikasi jika perlu. Sebuah keuntungan besar dari aturan induksi adalah bahwa hal itu meningkatkan proses berpikir ahli meninjau. Kesulitan dalam Menerapkan Aturan Induksi
Meskipun keuntungan, ada beberapa kesulitan dengan pelaksanaan aturan induksi:
Beberapa program induksi dapat menghasilkan aturan yang tidak mudah bagi manusia untuk memahami karena cara program mengklasifikasikan atribut masalah dan properti mungkin bukan cara manusia akan melakukannya. Program induksi Aturan tidak memilih atribut. Seorang ahli masih harus tersedia untuk menentukan atribut yang signifikan (misalnya, faktor penting dalam menyetujui pinjaman). Proses pencarian dalam aturan induksi didasarkan pada algoritma khusus yang menghasilkan pohon keputusan yang efisien, yang mengurangi jumlah pertanyaan yang harus ditanyakan sebelum kesimpulan yang dicapai. Beberapa algoritma alternatif yang tersedia. Mereka bervariasi dalam proses dan kemampuan mereka. Aturan induksi hanya baik untuk masalah klasifikasi berbasis aturan, terutama dari ya/tipe no. (Namun, banyak masalah dapat diulang atau split sehingga mereka jatuh ke dalam kategori klasifikasi.) Jumlah atribut harus cukup kecil. Batas atas pada jumlah atribut didekati dengan sangat cepat.
Jumlah contoh yang diperlukan bisa sangat besar. Himpunan contoh harus "dibersihkan", misalnya, kasus yang pengecualian untuk aturan harus dihilangkan. (Pengecualian tersebut dapat ditentukan dengan mengamati aturan yang tidak konsisten.) Aturan induksi terbatas pada situasi di bawah kepastian. Sebuah masalah besar dengan aturan induksi adalah bahwa pembangun tidak tahu sebelumnya apakah jumlah contoh yang cukup dan apakah algoritma ini adalah cukup baik. Yang pasti hal ini akan mengandaikan bahwa pembangun memiliki beberapa ide solusi, tetapi alasan untuk menggunakan induksi adalah bahwa pembangun tidak tahu solusinya dan ingin menemukannya dengan menggunakan aturan.
Karena keterbatasan ini, metode induksi aturan umumnya digunakan untuk menyediakan prototipe pertama, prototipe ini kemudian diterjemahkan ke dalam sesuatu yang lebih kuat dan diukir menjadi sebuah sistem yang lebih baik melalui desain evolusioner dan metode pengembangan. Peraturan Induksi Paket Software
Banyak paket perangkat lunak untuk induksi yang tersedia. Beberapa dari mereka adalah gratis, dan beberapa produk komersial. Daftar perangkat lunak yang dipilih dapat ditemukan di kdnuggets.com/software/klasifikasi-rules.html. Beberapa dari mereka adalah mandiri, dan lain-lain adalah produk add-on untuk Excel. Bahkan, paket statistik populer seperti SAS dan SPSS menambahkan metode induksi sebagai modul standar untuk analisis data. Yang populer termasuk Kereta 5.0 (yang mencakup biaya klasifikasi menjadi pertimbangan, salford-systems.com/) dan C4.5. Sebagian besar dari program ini tidak hanya menghasilkan aturan tetapi juga memeriksa mereka untuk kemungkinan konflik logis. Semua program adalah kerang ES, yaitu mereka dapat digunakan untuk menghasilkan aturan dan kemudian untuk membangun sebuah ES yang menggunakan pengetahuan ini. K-Vision bahkan memungkinkan penggabungan meja induksi tersebut ke dalam seperangkat aturan direpresentasikan sebagai node tunggal. Sebuah pengantar yang baik untuk metode yang dapat ditemukan di Roiger dan Geatz (2003). INDUKSI INTERAKTIF
Alih-alih mendorong aturan dari kasus dalam modus batch, pengetahuan dapat diinduksi dengan berinteraksi dengan para ahli secara bertahap. Hal ini disebut induksi interaktif (lihat Jeng et al.,1996) . Induksi Interaktif membutuhkan ahli didukung oleh perangkat lunak komputer. Salah satu alat yang menarik yang menggabungkan induksi dan akuisisi interaktif AKUISISI dari Acquired Intelligence, Inc (aiinc.ca). AKUISISI menangkap pengetahuan seorang ahli melalui wawancara interaktif, menyuling, dan secara otomatis menghasilkan basis pengetahuan berbasis aturan. AKUISISI menyediakan berbagai cara menangkap pengetahuan manusia, semuanya terfokus pada representasi kualitatif pengetahuan, dan menggunakan pola tertentu informasi untuk menggambarkan situasi ahli dapat mengamati atau merenung. Dengan demikian, AKUISISI dapat menangkap kedua eksplisit dan pengetahuan implisit. AKUISISI panduan seorang ahli melalui langkah-langkah yang berurutan penataan pengetahuan, menghasilkan model pengetahuan domain pada berbagai tingkat umum. Yang paling umum dari model ini adalah jaringan objek, di mana sebuah objek adalah segala sesuatu yang terjadi, dianggap, atau
disimpulkan oleh ahli. Ahli domain atribut seperangkat nilai atau makna untuk setiap obyek dan mengatur mereka ke jaringan. Rincian dari aturan individu yang dilengkapi dengan sejumlah metode, termasuk tabel tindakan (yaitu, tabel induksi) dan IF-THEN-ELSE aturan. Akhirnya, jalan penalaran dibuat, dan konflik di antara jalur penalaran diselesaikan. Konteks di mana aturan diterapkan juga ditentukan. AKUISISI berinteraksi dengan para ahli (insinyur tanpa pengetahuan), melainkan membantu mereka memotong pertahanan kognitif mereka dan bias dan mengidentifikasi kriteria penting dan konstruksi yang digunakan dalam pengambilan keputusan. Untuk rincian dan sistem demo, lihat aiinc.ca. Bagian W18.6 Pertanyaan Ulasan 1. 2. 3. 4. 5. 6.
Tentukan akuisisi otomatis pengetahuan dan menjelaskan tujuannya. Jelaskan akuisisi pengetahuan didokumentasikan. Jelaskan aturan induksi. Jelaskan keuntungan dari aturan induksi. Daftar kesulitan dalam aturan induksi. Jelaskan induksi interaktif.
W18.7 PENGETAHUAN VERIFIKASI DAN VALIDASI
Pengetahuan yang diperoleh dari para ahli perlu dievaluasi untuk kualitas, termasuk evaluasi, validasi, dan verifikasi. Istilah-istilah ini sering digunakan secara bergantian. Kami menggunakan definisi yang diberikan oleh O'Keefe et al. ( 1987) :
Evaluasi adalah konsep yang luas. Tujuannya adalah untuk menilai nilai keseluruhan ES ini. Selain menilai tingkat kinerja yang dapat diterima, itu menganalisis apakah sistem-tem akan digunakan, efisien, dan hemat biaya. Validasi adalah bagian dari evaluasi yang berhubungan dengan kinerja sistem (misalnya, karena membandingkan dengan ahli). Hanya menyatakan, validasi adalah membangun sistem yang tepat (yaitu, yang menguatkan bahwa sistem melakukan dengan tingkat akuras). Verifikasi adalah membangun sistem yang tepat atau menguatkan bahwa sistem ini benar diimplementasikan dengan spesifikasinya.
Dalam ranah ES, kegiatan ini bersifat dinamis karena mereka harus diulang setiap kali prototipe berubah. Dalam hal pengetahuan dasar, perlu untuk memastikan bahwa kita memiliki basis pengetahuan yang benar (yaitu, bahwa pengetahuan tersebut valid). Hal ini juga penting untuk memastikan bahwa basis pengetahuan dibangun dengan benar (yaitu, verifikas). Dalam melaksanakan tugas kontrol kualitas ini, kita berurusan dengan beberapa kegiatan dan konsep, seperti yang tercantum dalam Tabel proses W18.5 bisa sangat sulit, mengingat banyak isu sosioteknikal yang terlibat (lihat Sharma dan Conrath, 1992). Sebuah metode untuk memvalidasi ES, berdasarkan pendekatan validasi dari psikologi, dikembangkan oleh Sturman dan Milkovich (1995). Pendekatan ini menguji sejauh mana sistem dan keputusan ahli setuju, input dan proses yang digunakan oleh seorang ahli dibandingkan dengan mesin, dan perbedaan antara ahli dan keputusan pemula. Ram dan Ram(1996) menggambarkan validasi dan teknik verifikasi ES khusus untuk manajemen yang inovatif.
Verifikasi otomatis pengetahuan yang ditawarkan di AKUISISI produk dijelaskan sebelumnya. Verifikasi dilakukan dengan mengukur kinerja sistem dan terbatas pada kasus klasifikasi dengan probabilitas. Ia bekerja sebagai berikut: Ketika ES disajikan dengan kasus baru untuk mengklasifikasikan, akan menetapkan faktor kepercayaan diri untuk setiap seleksi. Dengan membandingkan faktor-faktor kepercayaan dengan yang disediakan oleh seorang ahli, adalah mungkin untuk mengukur keakuratan ES untuk setiap kasus. Dengan melakukan perbandingan pada banyak kasus, adalah mungkin untuk memperoleh suatu ukuran keseluruhan kinerja ES (lihat O'Keefe dan O'Leary, 1993) . Rosenwald dan Liu (1997) mengembangkan prosedur validasi yang menggunakan pengetahuan dan struktur aturan dasar untuk menghasilkan kasus uji yang efisien mencakup ruang input seluruh basis aturan. Dengan demikian , seluruh set kasus tidak perlu diperiksa. Sebuah eksekusi simbolik dari model ES digunakan untuk menentukan semua kondisi di mana pengetahuan fundamental dapat digunakan. Untuk bibliografi yang luas pada validasi dan verifikasi, lihat Juan et al. (1999). Pendekatan mudah untuk mengotomatisasi verifikasi rule base yang besar dapat ditemukan di Goldstein (2002). Bagian W18.7 Pertanyaan Ulasan 1. Tentukan evaluasi, validasi , dan verifikasi pengetahuan. 2. Jelaskan metode validasi. 3. Jelaskan verifikasi otomatis pengetahuan.
