System ekspertowy to program komputerowy, który przechowuje wiedzę fachową ludzi-specjalistów w postaci reguł i faktów i wyciąga z nich wnioski. Zwykle składa się z bazy wiedzy oraz silnika wnioskowania, który stosuje reguły. Systemy ekspertowe kształtowały AI w latach 70. i 80., na przykład w diagnostyce medycznej lub konfigurowaniu urządzeń technicznych. Ich idee żyją dziś w kontrolach opartych na regułach i grafach wiedzy.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoInżynieria wiedzy obejmuje pozyskiwanie, porządkowanie i przygotowywanie wiedzy eksperckiej tak, aby systemy IT mogły z niej korzystać. Pierwotnie koncentrowała się na regułach dla systemów eksperckich; dziś priorytetem jest często udokumentowanie rozproszonej wiedzy z instrukcji, opisów procesów i głów ludzi, aby agenci AI mogli na jej podstawie niezawodnie odpowiadać. Wymaga to jasnych struktur, aktualnych źródeł, określonych odpowiedzialności i uzupełniania zidentyfikowanych luk.
Heurystyki to reguły kciuka lub uproszczone strategie, które prowadzą do dobrego, choć niekoniecznie optymalnego rozwiązania w rozsądnym czasie. W informatyce i AI pomagają zawężać ogromne przestrzenie poszukiwań – na przykład w planowaniu trasy, gdzie odległość w linii prostej do celu służy za oszacowanie, albo w szachach, gdzie ocenia się pozycje. Ludzie stosują heurystyki także w codziennych i biznesowych decyzjach, co niesie ryzyko systematycznych błędów w myśleniu.
W informatyce ontologia to formalny model dziedziny wiedzy, który jednoznacznie definiuje pojęcia, ich właściwości i relacje między nimi. Dzięki temu ludzie i maszyny mogą spójnie interpretować dane i wyciągać z nich wnioski. Ontologie leżą u podstaw wielu grafów wiedzy, systemów wyszukiwania semantycznego i projektów integracji danych. Przykład: ontologia produktów stwierdza, że „rower elektryczny” jest „rowerem” i ma „akumulator”.
Drzewo decyzyjne to model, który przedstawia decyzję jako ciąg prostych pytań tak/nie: każda gałąź sprawdza jedną cechę, a każdy liść podaje wynik. W uczeniu maszynowym takie drzewa są uczone automatycznie na podstawie danych i wykorzystywane do klasyfikacji lub prognozowania. Ich główną zaletą jest przejrzystość – na przykład pokazują, dlaczego wniosek kredytowy został oznaczony na podstawie dochodu, okresu kredytowania i historii spłat.
