南宫NG28建设

說到人工智能技術，人們第一时间會聯想到機器學習、深度學習技術；談到人工智能應用，人們很可能會馬上想起語音助理、自動駕駛和各類會話機械人，各行各業都在研發底層技術和尋求AI場景，卻忽略了藏在這些表層技術之下的重要技術——知識工程。

1977年美國史丹福大學計算機科學家費根鮑姆教授(B.A.Feigenbaum)在第五屆國際人工智能會議上提出：「知識工程是人工智能的原理和方法，對那些需要專家知識才能解決的應用難題给予求解的手段。恰當運用專家知識的獲取、表達和推理過程的構成與解釋，是設計基於知識的系統的重要技術問題。」根據這個定義，我們可以認為知識工程包含了知識獲取、知識表示與知識利用三個過程。

關於知識獲取，现在有三種方式：非自動知識獲取、知識抽取和機器學習知識。非自動知識獲取由知識工程師顺利获得閱讀有關文獻或與領域專家研讨，獲取原始知識並進行分析、歸納、整理，形成用自然語言表述的知識條目輸入到數據庫中。知識抽取是對蘊含於文本文獻中的知識進行識別、理解、篩選、格式化，把文獻的每個知識點抽取出來，以一定形式存入知識庫中。機器學習知識顺利获得機器的視覺、聽覺等途徑，直接感知外部世界，輸入自然信息，獲取感性和理性知識，或者根據系統運行經驗從已有的知識或實例中演繹、歸納出新知識，補充到知識庫中。非自動知識獲取效率較低，機器學習知識難度太大，而知識抽取是知識獲取的最有效方式。關於知識表示，现在知識表示的方法有很多，其中最廣為人知的是語義網表示法，是一種重點描述概念之間關係的表示法。知識圖譜就是基於語義網表示法構建知識表示模型最為成功的技術案例。關於知識利用，其核心在於在顺利获得知識對新信息進行分析，依據歷史經驗和環境狀態為決策给予方案。

在協同辦公場景下，知識工程依據使用者對知識處理三個過程的側重點不同，會產生不同形式的知識服務。如果辦公人員希望取得特定實體在某些領域內的屬性和活動，那麼知識服務就側重於知識獲取，問題就會集中在如何高效準確的搜集相關領域內的實體信息。例如，在合同簽訂過程中，法務人員會對合同相對方在法律糾紛、財務狀況以及企業信用方面的屬性和活動就十分在意，對這方面的知識獲取形成了直接需求，在未經加工處理和分析的條件下，這些知識就已經能夠在合同管理過程中幫助企業規避風險。

如果辦公人員希望快速定位解決某些問題所需的必要條件和相關實體，或者希望由計算機輔助解決這類問題，那麼知識服務就側重於知識表示。例如，辦公人員在初次遇到某些事項處理時，最優先的解決方法就是搜索過往處理人或者相關文檔。那麼由處理事項、處理人和處理文檔構成的知識圖譜能夠快速幫助辦公人員理解業務現狀和捕獲關鍵知識，效果如下圖所示。

如果辦公人員需要一個能夠協助自己完成某些特定工作意圖的機械人辦公助手，那麼知識服務就側重於知識利用。例如，辦公人員日常需要確認某類公文中相關規定是否發生了變化，新條款是什麼之類的問題，又不想自己進行檢索與比對，就可以將辦公人員這類會話意圖固定到知識工程中，利用已經構建好的公文條款知識，對其進行回復，效果如下圖所示。

知識工程是傳統專家系統在人工智能時代的一種延續。專家經驗、關鍵領域信息、關係數據模型等各種信息載體都能夠在知識工程中存儲、表示、重組和利用。這使得知識工程在協同辦公過程中出現的複雜信息處理、輔助決策以及人機交互等場景都具有較高的應用價值。而決定知識工程在協同辦公應用效果的是知識獲取成本、知識處理難度和數據開放度，這些制約因素將伴隨着各類人工智能企業對垂直行業和精細化場景的深耕而逐漸被忽略，知識工程在協同辦公領域的應用前景是光明的。