中国知识工程市场现状深度调研及发展分析

中国知识工程市场现状深度调研及发展分析

知识工程是符号主义人工智能的典型代表，知识图谱，就是新一代的知识工程技术。知识工程(KE)是指在建立、维护和使用基于知识的系统中所涉及的所有技术、科学和社会方面。

知识工程旨在研究人类知识的机器表征与计算问题，是人工智能领域重要的分支。大数据知识工程是人工智能的“基础设施”，可以从多源大数据中挖掘碎片知识，融合成人类可理解、机器可表征与可推理的知识库 / 知识图谱，为诸多行业和领域解决具有共性需求的、由信息化迈向智能化的实际工程问题。

当前，我国知识工程的发展经历了以专家系统为代表的传统知识工程和以主流深度学习技术为代表的现代知识工程等阶段，显著推动了各领域的发展，但在解决各领域实际工程问题中仍存在一定的局限性。例如，传统知识工程在20世纪七八十年代得到迅猛发展后，在90年代进入“寒冬期”，主要原因在于“知识获取”主要来自领域专家，面临人工成本过高、专家经验局限、无法动态解决复杂工程问题等;在现代知识工程阶段，深度学习模型(尤其是大规模预训练模型)在自然语言处理、计算机视觉等方面取得显著发展，但这类数据驱动的模型存在数据依赖性强、算力 / 能源消耗过度等挑战，难以应对实际工程问题中的高阶、多跳推理任务，也难以满足医疗、信息安全等关键领域的可解释性需求。

第四节 专家系统的模型

一、基于规则的专家系统

图表：基于规则的专家系统的工作模型

图表：基于规则的专家系统的机构

二、基于框架的专家系统

1、面向目标编程与基于框架设计

基于框架的专家系统建立在框架的基础之上

采用面向目标编程技术

框架的设计和面向目标的编程共享许多特征。

在设计基于框架系统时，专家系统的设计者们把目标叫做框架。

图表：基于框架专家系统的结构

2、基于框架专家系统的一般设计方法

基于框架专家系统的主要设计步骤与基于规则的专家系统相似。主要差别在于如何看待和使用知识。

在设计基于框架的专家系统时，把整个问题和每件事想像为编织起来的事物

在辨识事物之后，寻找把这些事物组织起来的方法

对于任何类型的专家系统，其设计是高度交互的过程。

三、基于模型的专家系统

1、基于模型专家系统的提出

人工智能的研究的一种观点：人工智能是对各种定性模型的获得、表达及使用的计算方法进行研究的学问。

基于该观点人们提出了基于模型的专家系统。

采用各种定性模型来设计专家系统，其优点是显而易见的。

在诸多模型中，人工神经网络模型的应用最为广泛。

2、基于神经网络的专家系统

神经网络模型从知识表示、推理机制到控制方式，与目前专家系统中的基于逻辑的心理模型有本质的区别。

三种神经网络模型与专家系统集成模式

(1)神经网络支持专家系统以传统的专家系统为主，以神经网络的有关技术为辅。

(2)专家系统支持神经网络以神经网络的有关技术为核心，建立相应领域的专家系统，采用专家系统的相关技术完成解释等方面的工作

(3)协同式的神经网络专家系统针对大的复杂问题，将其分解为若干子问题，针对每个子问题的特点，选择用神经网络或专家系统加以实现，在神经网络和专家系统之间建立一种耦合关系。

图表：神经网络专家系统的基本结构

3、神经网络专家系统的几个问题讨论

(1)神经网络的知识表示是一种隐式表示。

(2)神经网络通过实例学习实现知识自动获取。

(3)神经网络的推理是个正向非线性数值计算过程，同时也是一种并行推理机制，神经网络各输出节点的输出是数值，因而需要一个解释器对输出模式进行解释。

(4)同一知识领域的几个独立的专家系统可组合成更大的神经网络专家系统。

知识工程行业研究报告旨在从国家经济和产业发展的战略入手，分析知识工程未来的政策走向和监管体制的发展趋势，挖掘知识工程行业的市场潜力，基于重点细分市场领域的深度研究，提供对产业规模、产业结构、区域结构、市场竞争、产业盈利水平等多个角度市场变化的生动描绘，清晰发展方向。

欲了解更多关于知识工程行业的市场数据及未来行业投资前景，可以点击查看中研普华产业院研究报告《2023-2028年中国知识工程市场现状深度调研及发展分析报告》。