En kognitiv karta är ursprungligen ett begrepp från psykologin som beskriver den mentala bild som människor eller djur bildar av sin omgivning. Inom management och AI avser det också grafiska modeller som visar begrepp som noder och deras orsak–verkan-samband som viktade pilar, till exempel ”fuzzy cognitive maps”. Sådana kartor hjälper till att strukturera expertkunskap och utforska scenarier, till exempel hur prisändringar påverkar efterfrågan och lagernivåer.
Kunskapsteknik handlar om att fånga, organisera och förbereda expertkunskap så att IT-system kan använda den. Ursprungligen låg fokus på regler för expertsystem; i dag gäller det ofta att dokumentera spridd kunskap från manualer, processbeskrivningar och människors huvuden så att AI-agenter kan svara tillförlitligt utifrån den. Det kräver tydliga strukturer, aktuella källor, definierade ansvar och att identifierade luckor åtgärdas.
Inom datavetenskap är en ontologi en formell modell av ett ämnesområde som tydligt definierar begrepp, deras egenskaper och relationerna mellan dem. Det gör att människor och maskiner kan tolka data på ett enhetligt sätt och dra slutsatser av dem. Ontologier ligger till grund för många kunskapsgrafer, semantiska söksystem och dataintegrationsprojekt. Exempel: en produktontologi anger att en ”elcykel” är en ”cykel” och har ett ”batteri”.
Kausal inferens omfattar metoder för att härleda orsak–verkan-samband ur data i stället för att bara identifiera korrelationer. Den besvarar frågor som ”Vad hade hänt om vi inte hade vidtagit den här åtgärden?”. Verktyg är randomiserade experiment som A/B-tester, kausala grafer och statistiska tekniker för observationsdata. Exempel: kontrollera om en rabattkampanj verkligen ökade försäljningen eller om den hade stigit ändå av säsongsskäl.
Bayesianska nätverk är grafiska modeller som representerar variabler som noder och deras probabilistiska beroenden som riktade pilar. Med hjälp av Bayes sats visar de hur nya observationer förändrar sannolikheten för andra händelser. Ett exempel är diagnosstöd: att uppskatta den mest sannolika orsaken utifrån observerade symtom. Deras styrkor är transparens och förmågan att hantera osäkra eller ofullständiga data.
