Mapa poznawcza to pierwotnie pojęcie z psychologii, opisujące mentalną reprezentację otoczenia, jaką tworzą ludzie lub zwierzęta. W zarządzaniu i AI oznacza także modele graficzne, które przedstawiają pojęcia jako węzły, a ich związki przyczynowo-skutkowe jako ważone strzałki, na przykład „rozmyte mapy poznawcze”. Takie mapy pomagają porządkować wiedzę ekspertów i badać scenariusze, na przykład jak zmiany cen wpływają na popyt i stany magazynowe.
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.
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”.
Wnioskowanie przyczynowe obejmuje metody wyprowadzania z danych związków przyczynowo-skutkowych, a nie tylko wykrywania korelacji. Odpowiada na pytania takie jak: „Co by się stało, gdybyśmy nie podjęli tego działania?”. Narzędzia to eksperymenty z randomizacją, takie jak testy A/B, grafy przyczynowe i techniki statystyczne dla danych obserwacyjnych. Przykład: sprawdzenie, czy kampania rabatowa rzeczywiście zwiększyła sprzedaż, czy też wzrosłaby ona i tak z przyczyn sezonowych.
Sieci bayesowskie to modele graficzne, które przedstawiają zmienne jako węzły, a ich probabilistyczne zależności jako skierowane strzałki. Za pomocą twierdzenia Bayesa pokazują, jak nowe obserwacje zmieniają prawdopodobieństwo innych zdarzeń. Przykładem jest wspomaganie diagnostyki: szacowanie najbardziej prawdopodobnej przyczyny na podstawie zaobserwowanych objawów. Ich mocnymi stronami są przejrzystość i zdolność do pracy z niepewnymi lub niekompletnymi danymi.
