База знаний что это
База знаний: что это такое и чем она может быть полезна для бизнеса
Рекомендации от сервиса Chat2Desk
Если клиент не может быстро понять, как пользоваться вашим товаром или услугой, то зачем ему их приобретать? Поэтому очень важно применять инструменты, помогающие потенциальным покупателям разобраться в нюансах вашего продукта. Один из самых эффективных способов решить эту задачу – создать на сайте базу знаний. О том, что это такое и как её сформировать, в своём корпоративном блоге рассказала команда сервиса Chat2Desk.
База знаний представляет собой раздел с полезными статьями и инструкциями о том, как пользоваться вашим продуктом. Идеально, если они будут короткими и информативными одновременно.
Не путайте базу знаний с FAQ. FAQ строится по принципу «вопрос-ответ». А база знаний – это отдельный раздел с инструкциями, где всё описывается пошагово, решая одновременно несколько типовых проблем.
Существует ряд преимуществ, которые способна принести база знаний. Среди них отдельно стоит выделить следующие:
Оптимизация расходов компании. Вам не потребуется расширять штат при росте клиентской базы: менеджеры будут освобождены от рутинных вопросов. У них появится время, чтобы вникать в сложные вопросы клиентов.
Повышение лояльности клиентов. База знаний упрощает использование сервиса. Её можно назвать эффективным инструментом продаж, который закрывает многие возражения потенциальных покупателей. Клиенты достаточно легко превращаются в уверенных пользователей после прочтения гайдов и просмотра видео-инструкций.
Увеличение эффективности работы сотрудников. Облегчается обучение нового персонала. Ведь теперь у новых сотрудников появляется возможность воспользоваться базой знаний. Более опытным менеджерам теперь не придётся тратить время на обучение новых сотрудников, поэтому они сосредоточатся на других вопросах.
1. Соберите контент. Проанализируйте переписки с клиентами, соберите наиболее частые вопросы. Возьмите этот список и дайте исчерпывающие ответы. Важно грамотно оформить раздел, который будет рассказывать, как правильно начать работу с сервисом.
2. Продумайте структуру статьи. Чтобы статья была полезной, необходимо продумать ее структуру. Как правило, стоит придерживаться следующей схемы:
Описание проблемы клиента, которую необходимо закрыть;
Пошаговое решение вопроса;
Достижение результата – проблема полностью решена.
Повествование должно быть последовательным. Вы должны шаг за шагом объяснить покупателю, как зарегистрироваться в сервисе, как оформить покупку или получить скиду на группу товаров.
3. Напишите статью. Пишите простые статьи, которые будут понятны не погружённому в тему человеку. Следуйте следующим правилам:
Излагайте мысли кратко, не перегружайте клиента полотнами текста;
Объясняйте термины. Потенциальный клиент может быть не знаком с терминологией ваших товаров или услуг. Можно даже сделать отдельный глоссарий;
Разбивайте текст на логические блоки – параграфы. Так легче воспринимать информацию. Не забывайте также использовать списки перечислений;
Выделяйте ключевые слова для удобства клиента. Так он сможет обратить внимание на важные моменты;
Добавляйте ссылки. Если вы рассказываете о том, что подробно описано в другой статье, просто используйте ссылку. Перелинковка по сайту поможет клиенту лучше в нем ориентироваться.
И помните, не стоит писать слишком большую статью. Лучше сделать несколько маленьких, в которых будут описаны определённые функции. Это поможет клиенту лучше разобраться в вопросе. Деление статей по ключевым словам – это дополнительный плюс для продвижения в поисковых системах.
4. Используйте визуалы. Тонны текста – это не то, что поможет разобраться в теме. Если каждая статья будет с объясняющими скриншотами, схемами и инфографикой, то это будет хорошим решением.
5. Настройте понятную навигацию. Если вы сможете настроить удобную навигацию, то вашим клиентам будет удобно пользоваться базой знаний. Вставьте ссылки на похожие статьи. Не забудьте также такой элемент интерфейса, как «Хлебные крошки», они отображают цепочку всех переходов пользователя.
Поддержание базы знаний – это важный пункт, который необходимо выполнять, чтобы она работала эффективно.
1. Распространяйте базу знаний. База знаний должна быть по всему сайту, не стоит ограничиваться отдельно взятым разделом. Вставляйте ссылки там, где это уместно и где это поможет клиенту решить возникающий вопрос. Можно использовать всплывающие подсказки, они эффективно работают.
2. Создавайте шаблоны. Шаблон позволит создавать статьи для базы знаний в одном стиле, который будет прост и понятен для восприятия каждому клиенту.
3. Настраивайте обратную связь. В каждой статье, по возможности, необходимо настроить форму обратной связи. Так покупатель сможет указать на возможные ошибки или неточности, а также задать дополнительные вопросы.
4. Своевременно обновляйте базу знаний. Если на сайте будет устаревшая информация, то это может вызвать негатив со стороны клиентов. В самом худшем случае вы заметите увеличение числа отказов. Чтобы всего этого избежать, необходимо своевременно вносить правки.
5. Анализируйте статьи. Периодически делайте анализ статей. Вы должны понимать, как они влияют на ваших покупателей. Выросло ли число покупок, уменьшилось ли число отказов и так далее. Анализ помогает своевременно реагировать на все изменения.
База знаний — помощник ваших клиентов: как создать и поддерживать
Мы уже писали о том, как организовать техническую поддержку пользователей. Однако для того, чтобы решать возникающие у клиентов вопросы, не обязательно создавать call-центр и нанимать большой штат сотрудников. Зачастую пользователь может разобраться и помочь себе сам. Надо только дать ему правильные инструкции.
Вместе с Татьяной Селивановой, менеджером по продукту «Справка REG.RU», расскажем, зачем нужна база знаний, с чего начать, если вы решили её создать и как сделать базу знаний по-настоящему полезной.
Что такое база знаний?
База знаний (в информатике) — это база данных, которая содержит информацию о человеческом опыте и знаниях в некоторой предметной области. Базы знаний используются в организациях для хранения документации, руководств, технических статей. Главная цель любой базы знаний — помочь менее опытным людям найти готовое решение какой-либо проблемы.
База знаний может быть внутренней (только для сотрудников компании) и внешней (для клиентов). Мы поговорим именно о такой базе знаний, которую пользователи видят на вашем сайте. Она может называться по-разному: FAQ (часто задаваемые вопросы), справочный центр, центр поддержки, справка, помощь, справка и поддержка — но суть одна и та же. Это раздел на сайте, который содержит информационные статьи для ваших пользователей.
Зачем бизнесу база знаний?
Решение возникших вопросов
Прежде всего, online-база знаний помогает вашим клиентам решить проблему самостоятельно, без обращения в службу поддержки. А если клиент всё-таки обратился в поддержку, готовые инструкции из базы знаний помогут сотрудникам быстрее ответить на его вопрос.
Погружение пользователей в продукт
Чаще всего новые клиенты быстро прекращают пользоваться продуктом, если не понимают, как им пользоваться. База знаний призвана помочь новичкам разобраться в продукте, ускорить знакомство с сервисом и выполнение рабочих задач. Многие компании создают отдельный раздел в базе знаний — «Начало работы», чтобы процесс погружения новых клиентов прошёл максимально быстро и легко.
Привлечение новых посетителей
База знаний, оптимизированная под пользовательские запросы, может хорошо привлекать новых посетителей на ваш сайт. При написании статей мы всегда ориентируемся на спрос. Сами пользователи «подсказывают» нам, какие темы для них наиболее интересны — их можно осветить в справочных статьях.
Как создавать SEO-тексты, мы уже рассказывали и показывали на нашем вебинаре:
Допродажи
Да-да, с помощью ненавязчивой рекламы через справку можно эффективно продвигать услуги. К примеру, клиент зарегистрировал у нас домен и читает инструкцию по его настройке. И здесь как нельзя кстати будет рекомендация заказать услугу REG.Site, чтобы клиент мог сам создать сайт без программирования на своём домене.
С чего начать создание базы знаний?
Начните с малого
В качестве минимального функционала вы можете создать небольшой раздел FAQ, в котором разместите ответы на часто задаваемые вопросы. Важно, чтобы эти вопросы были реальными, а не выдуманными. Чтобы сформировать их список, можно проанализировать запросы, с которыми чаще всего пользователи обращаются в поддержку. По мере роста продукта вы будете пополнять свой FAQ, который со временем станет полноценным разделом на вашем сайте.
Подберите инструмент
В самом начале вы можете обойтись простой статической страницей с FAQ. Но совсем скоро вам понадобится инструмент, через который можно будет быстро добавлять новые статьи и редактировать старые. Если вы располагаете ресурсами разработки, идеальным решением будет создание собственной админки, через которую вы будете работать с базой знаний. Если ваш сайт на WordPress, можно подключить один из бесплатных плагинов для базы знаний. Например, KnowledgeBase или EchoKnowledgeBase. Возможно, вы используете стороннюю helpdesk-систему — как правило, в них есть готовые модули для создания базы знаний.
Выделите команду для поддержки базы знаний
Особенность информационного контента состоит в том, что он достаточно быстро устаревает. Поэтому вам нужна команда, которая будет поддерживать базу знаний в актуальном состоянии. Для начала это может быть один человек. Но с развитием бизнеса будет увеличиваться и число статей на сайте, соответственно, с каждым годом все больше и больше статей нужно будет проверять и актуализировать. Одному здесь уже не справиться.
Привлекайте сотрудников к написанию статей
Кто лучше разбирается в особенностях сервисов, которые вы предоставляете, как не сотрудники компании? Мы в REG.RU подключаем продакт-менеджеров для уточнения концептуальных вопросов по нашим услугам. А также нам часто помогают сотрудники техподдержки. Они всегда на связи с клиентами и точно знают, какие вопросы у них возникают и как на них лучше ответить. У вас может быть договорённость с определённым кругом экспертов, которые охотно согласятся помочь с написанием инструкций.
Как сделать базу знаний полезной?
Пишите просто!
Старайтесь не усложнять текст. Представьте, что вашу инструкцию читает человек, который впервые столкнулся с тем, о чём вы пишете. Поймёт ли он вас? Можно даже провести эксперимент: дать прочитать черновик статьи непосвящённому человеку (пусть это будет мама, жена или ваш друг) и попросить дать обратную связь. Всегда ориентируйтесь на пользователя-новичка, поскольку продвинутый пользователь в любом случае вас поймёт.
Не скупитесь на картинки и видео
На одной картинке или схеме порой можно наглядно показать то, что вы будете описывать в нескольких абзацах текста. Если есть возможность записать видеоинструкцию — замечательно! В REG.RU у нас есть целая серия видеороликов по самым популярным вопросам. Вот пример одного из них:
Сделайте очевидным переход в базу знаний
Никакая, даже самая полезная информация ничего не стоит, если её невозможно найти. Подумайте, где лучше всего разместить ссылку на справочный раздел. Это может быть главное меню или иконка на всех страницах сайта. На сайте REG.RU при клике на иконку «Помощь» появляется меню со всеми способами связи с поддержкой:
Если на вашем сайте есть личный кабинет, обязательно добавьте переход в базу знаний и там. В личном кабинете REG.RU из стикера «Помощь» можно перейти в базу знаний, чат, заявку в поддержку. Также там мы разместили быстрые ссылки на самые полезные статьи базы знаний. Список статей зависит от раздела личного кабинета, в котором находится клиент. Например, на странице «Баланс» в шторке отображаются самые популярные статьи по финансовым вопросам:
Продумайте навигацию
Простая и интуитивно понятная навигация по базе знаний поможет сэкономить пользователям время на поиск нужной информации. Лучше всего разделить все статьи по тематическим категориям:
Важно также, чтобы пользователь мог беспрепятственно вернуться туда, откуда он пришёл. В этом может помочь древовидная структура разделов или так называемые хлебные крошки на каждой странице:
Добавьте поиск по статьям
Поиск — незаменимая вещь, если в вашей базе знаний много статей. В разделе «Помощь» на сайте REG.RU более 700 статей на различные темы, поэтому без качественного поиска никак не обойтись. Наши алгоритмы ищут релевантные страницы по поисковым запросам с учётом синонимов и опечаток.
Разместите ссылки на актуальные статьи на других страницах сайта
Недостаточно просто «положить» в меню ссылку на раздел с базой знаний. Какие-то статьи могут помочь решить вопрос здесь и сейчас, если грамотно разместить ссылки на них на других страницах сайта. К примеру, есть промостраница заказа услуги. Добавьте на неё ответы на часто задаваемые вопросы или дайте ссылку на статью, в которой будет подробно описан процесс заказа и работы с услугой.
Собирайте отзывы пользователей и улучшайте контент
Разместите в конце каждой статьи форму для сбора обратной связи от пользователей. Это могут быть комментарии, лайки, звёзды или простой вопрос: «Помогла ли вам статья?».
Мы ежедневно просматриваем все негативные комментарии и улучшаем наши статьи с учётом полученного фидбека. Если не хватает какой-то информации — добавляем её, если что-то стало неактуальным — обновляем. Это непрерывный процесс совершенствования, в котором нам очень помогают наши клиенты.
Держите базу знаний в актуальном состоянии
Этот пункт последний в списке, но не последний по значимости. Бизнес постоянно развивается и растёт. Появляются новые услуги и сервисы. Меняется интерфейс и путь пользователя. Поэтому очень важно постоянно обновлять базу знаний. Попробуйте настроить взаимодействие между командой, работающей над продуктом, и командой, поддерживающей базу знаний, так, чтобы копирайтеры всегда вовремя узнавали обо всех нововведениях. Поощряйте инициативу других служб, если они сообщают о том, что в базе знаний появилась устаревшая информация.
Зачем вашему бизнесу база знаний
Что такое база знаний в компании? Это справочный центр, в котором можно сохранять важную информацию и полезные материалы. Глобальная цель базы знаний — собрать воедино все интеллектуальные активы компании: ценные наработки, важные документы, знания и опыт сотрудников.
Для чего нужно создавать базу знаний
Основная задача любой базы знаний — это сокращение времени на поиск нужной информации и возможность быстрого получения ответов на типовые вопросы.
Базу знаний можно использовать как:
С необходимостью аккумуляции знаний для сотрудников сталкивается почти каждая компания на определенном этапе. Например, нужно быстро обучить новичков, поддержать уровень знаний сотрудников на должном уровне или показать примеры работ всему коллективу.
База знаний помогает:
Самое главное — все знают, что и где найти, и никто не задает повторяющихся вопросов. Не имеет значения, к какой сфере относится ваш бизнес. База знаний актуальна при любом виде деятельности.
Место размещения вашей базы знаний зависит только от ваших возможностей и пожеланий. Например, можно использовать облачное хранилище (Яндекс Диск, Google Drive), можно разместить информацию на локальном сервере, сделать отдельный сайт, создать на корпоративном сайте закрытый раздел для сотрудников. Также можно воспользоваться специализированным Wiki-сервисами — сайтами, которые пользователи создают и редактируют самостоятельно (например, Confluence, Zoho Wiki, MediaWiki, Foswiki).
Плата за подключение к Пакету услуг «Первый шаг» — 0 руб. Открытие и обслуживание первого счета в рублях РФ — 0 руб. Внутрибанковские переводы на счета юридических лиц и ИП — 0 руб. 3 (Три) платежа в другие банки на счета юридических лиц и ИП — 0 руб. К Пакету услуг «Первый шаг» могут быть подключены только новые клиенты, не имеющие открытых расчетных счетов в Банке «Открытие». Обязательными условиями подключения и обслуживания в рамках Пакета услуг являются выпуск корпоративной карты и подключение к системе ДБО Банка. Обслуживание корпоративных карт «Бизнес карта»: первые 6 мес. — бесплатно, с момента совершения первой транзакции по карте, далее 149 руб. — ежемесячно. Категория карт может быть изменена. Услуги, не включенные в Пакет услуг, предоставляются в соответствии с условиями Сборника тарифов. Полные условия обслуживания, оформления и использования карт указаны в сборнике тарифов.
Что включать в корпоративную базу знаний
Нет каких-то стандартов, какой должна быть база знаний. Но делать её унылым хранилищем только должностных инструкций точно не стоит. Рассказываем, какие материалы можно добавить в базу знаний.
Сведения о компании
Здесь можно описать деятельность компании и рассказать о правилах поведения в офисе. Также можно указать контактные данные всех сотрудников, состав отделов, список контрагентов. В этом же разделе хранят все должностные инструкции, коллективные договоры, приказы и иные официальные документы, касающиеся трудовых обязанностей.
Шаблоны документов
Можно внести в базу все шаблоны, которые вы используете в компании: договоры, чек-листы, анкеты, отчёты и прочее. Если сотруднику понадобится какой-то шаблон, ему не нужно тратить время на его создание или бежать в соседний отдел, чтобы распечатать бланк. Можно просто скопировать себе документ и использовать для дальнейшей работы.
База знаний что это
При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:
1. данные как результат измерений и наблюдений;
2. данные на материальных носителях информации (таблицы, протоколы, справочники);
3. модели (структуры) данных в виде диаграмм, графиков, функций;
4. данные в компьютере на языке описания данных;
5. базы данных на машинных носителях информации.
Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.
При обработке на ЭВМ знания трансформируются аналогично данным.
1. знания в памяти человека как результат мышления;
2. материальные носители знаний (учебники, методические пособия);
5. база знаний на машинных носителях информации.
Часто используется такое определение знаний.
Базы данных
База данных — организованная в соответствии с определёнными правилами и поддерживаемая в памяти компьютера совокупность данных, характеризующая актуальное состояние некоторой предметной области и используемая для удовлетворения информационных потребностей пользователей.
Отличия баз знаний от баз данных:
Базы знаний
База знаний, БЗ (англ. Knowledge base, KB) — это особого рода база данных, разработанная для управления знаниями (метаданными), то есть сбором, хранением, поиском и выдачей знаний. Раздел искусственного интеллекта, изучающий базы знаний и методы работы со знаниями, называется инженерией знаний.
Под базами знаний понимает совокупность фактов и правил вывода, допускающих логический вывод и осмысленную обработку информации. В языке Пролог базы знаний описываются в форме конкретных фактов и правил логического вывода над базами данных и процедурами обработки информации, представляющих сведения и знания о людях, предметах, фактах событиях и процессах в логической форме.
Классификация баз знаний
В зависимости от уровня сложности систем, в которых применяются базы знаний, различают:
• БЗ всемирного масштаба — например, Интернет или Википедия
• БЗ национальные — например, Википедия
• БЗ отраслевые— например, Автомобильная энциклопедия
• БЗ организаций — см. Управление знаниями
• БЗ экспертных систем — см. Экспертная система
Интеллект человека и искусственный интеллект
В основе систем баз знаний лежат принципы работы человеческого интеллекта. Интеллектом называется способность подходить к решению какой-либо задачи с учетом имеющегося опыта. Согласно Хармону и Кингу (Harmon & King, 1985), а также Фишлеру и Фиршейну (Fischler & Firschein, 1987), для человеческого интеллекта характерны следующие свойства:
• способность находить аналоги;
• способность создавать новые понятия на основе известных понятий эффективность обработки неоднозначных и противоречивых сообщений;
• способность определять относительную важность различных составных частей задачи;
• гибкость подхода к решению задачи;
• способность разбиения сложной задачи на составные части;
• способность моделирования воспринимаемого мира;
• понимание и способность использования символических средств.
Машинные знания — это то же, что искусственный интеллект (ИИ). Родоначальником в этой области является Алан Тьюринг, британский математик. Однако несмотря на то, что Тьюринг разработал первоначальную концепцию ИИ еще в 1937 г., официально ИИ появился только в 1956 г. Это произошло в Дартмутском колледже, во время встречи группы ученых, на которой обсуждался потенциал компьютеров в области стимуляции когнитивного процесса человека. Термин «искусственный интеллект» был предложен одним из организаторов конференции, Джоном Маккарти.
ИИ — это одна из ветвей информатики. Он связан с компьютерами, которые стимулируют процесс решения задачи путем дублирования функций человеческого мозга. ИИ включает в себя совокупность программного и аппаратного обеспечения и методов имитации свойственной человеку деятельности как умственной (мышление, принятие решений, рассуждения, решение задач, обучение и поиск данных), так и физической (сенсорные и моторные навыки). Комплексное решения задач моделируется с помощью представления когнитивного процесса человека, а когнитивное моделирование решает задачи, оценивая знания как человек.
Когнитивное моделирование и ИИ — родственные, но разные дисциплины. Когнитивное моделирование — это методика моделирования человеческого процесса познания, на котором строятся осмысленные рассуждения, а ИИ — методика моделирования разумного поведения, в котором рассуждение вовсе не обязательно. Правда, различия между двумя этими методиками постепенно стираются.
Применение баз знаний
Простые базы знаний могут использоваться для создания экспертных систем и хранения данных об организации: документации, руководств, статей технического обеспечения. Главная цель создания таких баз — помочь менее опытным людям найти существующее описание способа решения какой-либо проблемы предметной области.
Онтология может служить для представления в базе знаний иерархии понятий и их отношений. Онтология, содержащая еще и экземпляры объектов не что иное, как база знаний.
Системы основанные на знаниях реализуются на базе следующих интеллектуальных алгоритмов:
Экспертные системы
База знаний — важный компонент интеллектуальной системы. Наиболее известный класс таких программ — экспертные системы.
Экспертная система— компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.
В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.
Характерными чертами экспертной системы являются:
Структура экспертных систем
· Интеллектуальный редактор базы знаний
· Инженер по знаниям
· Рабочая (оперативная) память
· Решатель (механизм вывода)
База знаний состоит из правил анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от направленности ЭС, дает рекомендации по разрешению проблемы.
Как правило, база знаний экспертной системы содержит факты (статические сведения о предметной области) и правила — набор инструкций, применяя которые к известным фактам можно получать новые факты.
Главная цель создания любой Базы знаний — сократить время и трудозатраты на решение типовых инцидентов.
Пользователь – специалист предметной области, для которого предназначена система.
Инженер по знаниям – специалист в области искусственного интеллекта, выступающий в роли промежуточного буфера между экспертом и базой знаний.
Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с ЭС
БЗ – ядро ЭС, совокупность знаний предметной области
Решатель – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БД
Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы : “Как была получена та или иная рекомендация?” и “Почему система приняла такое решение?”
Классификация экспертных систем и области применения
Общепринятая классификация экспертных систем отсутствует, однако наиболее часто экспертные системы различают по назначению, предметной области, методам представления знаний, динамичности и сложности:
По назначению классификацию экспертных систем можно провести следующим образом:
По предметной области наибольшее количество экспертных систем используется в военном деле, геологии, инженерном деле, информатике, космической технике, математике, медицине, метеорологии, промышленности, сельском хозяйстве, управлении процессами, физике, филологии, химии, электронике, юриспруденции.
Классификация экспертных систем по методам представления знаний делит их на традиционные и гибридные. Традиционные экспертные системы используют, в основном, эмпирические модели представления знаний и исчисление предикатов первого порядка. Гибридные экспертные системы используют все доступные методы, в том числе оптимизационные алгоритмы и концепции баз данных.
По степени сложности экспертные системы делят на поверхностные и глубинные. Поверхностные экспертные системы представляют знания в виде правил «ЕСЛИ-ТО». Условием выводимости решения является безобрывность цепочки правил. Глубинные экспертные системы обладают способностью при обрыве цепочки правил определять (на основе метазнаний) какие действия следует предпринять для продолжения решения задачи. Кроме того, к сложным относятся предметные области в которых текст записи одного правила на естественном языке занимает более 1/3 страницы.
Классификация экспертных систем по динамичности делит экспертные системы на статические и динамические. Предметная область называется статической, если описывающие ее исходные данные не изменяются во времени. Статичность области означает неизменность описывающих ее исходных данных. При этом производные данные (выводимые из исходных) могут и появляться заново, и изменяться (не изменяя, однако, исходных данных).
Если исходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динамической. В архитектуру динамической экспертной системы, по сравнению со статической, вводятся два компонента:
Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической экспертной системы (база знаний и механизм логического вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.
Наиболее известные ЭС и их применение
В настоящее время экспертные системы используются для решения различных типов задач в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, химия, образование, телекоммуникации и связь и др.
· CLIPS — весьма популярная ЭС (public domain)
· WolframAlpha — поисковая система, интеллектуальный «вычислительный движок знаний»
· MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.
· I&W. Экспертная система помогает аналитикам из разведки предсказывать, когда и где произойдет следующее вооруженное столкновение. Система анализирует поступающие сообщения разведки, например донесения о местонахождении воинских соединений, их деятельности и передвижениях, применяя знания об обычных признаках активности войск. Знания представлены в рамках архитектуры доски объявлений, в которой для обеспечения компетентности применены как правила с прямой цепочкой рассуждений, так и фреймы. Система реализована на языке INTERLISP-D для АРМ Xerox 1100. Она разработана компанией ESL в сотрудничестве со Стенфордским университетом и доведена до уровня демонстрационного прототипа.
· ACES. Экспертная система выполняет картографические работы по нанесению обстановки на карты. Система получает в качестве исходных данных карту без обстановки и информацию, описывающую расположение объектов на местности. Система выдает карту, содержащую все желаемые условные обозначения и подписи, размещенные без взаимного наложения.
Интеллектуальные системы
Ниже перечислены интересные особенности, которые могут (но не обязаны) быть у интеллектуальной системы, и которые касаются баз знаний.
1) Машинное обучение: Это модификация своей БЗ в процессе работы интеллектуальной системы, адаптация к проблемной области. Аналогична человеческой способности «набирать опыт».
2) Автоматическое доказательство (вывод): Способность системы выводить новые знания из старых, находить закономерности в БЗ. Некоторые авторы считают, что БЗ отличается от базы данных наличием механизма вывода.
3) Интроспекция: Нахождение противоречий, нестыковок в БЗ, слежение за правильной организацией БЗ.
4) Доказательство заключения: Способность системы «объяснить» ход её рассуждений по нахождению решения, причем «по первому требованию».
Машинное обучение
Машинное обучение (англ. Machine Learning) — обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Различают два типа обучения. Обучение по прецедентам, или индуктивное обучение, основано на выявлении закономерностей в эмпирических данных. Дедуктивное обучение предполагает формализацию знаний экспертов и их перенос в компьютер в виде базы знаний. Дедуктивное обучение принято относить к области экспертных систем, поэтому термины машинное обучение и обучение по прецедентам можно считать синонимами.
Машинное обучение находится на стыке математической статистики, методов оптимизации и дискретной математики, но имеет также и собственную специфику, связанную с проблемами вычислительной эффективности и переобучения. Многие методы индуктивного обучения разрабатывались как альтернатива классическим статистическим подходам. Многие методы тесно связаны с извлечением информации, интеллектуальным анализом данных.
Общая постановка задачи обучения по прецедентам
Имеется множество объектов (ситуаций) и множество возможных ответов (откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она не известна. Известна только конечная совокупность прецедентов — пар «объект, ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость, то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов определённым образом вводится функционал качества.
Данная постановка является обобщением классических задач аппроксимации функций. В классических задачах аппроксимации объектами являются действительные числа или векторы. В реальных прикладных задачах входные данные об объектах могут быть неполными, неточными, нечисловыми, разнородными. Эти особенности приводят к большому разнообразию методов машинного обучения.
Способы машинного обучения
Так как раздел машинного обучения, с одной стороны, образовался в результате разделения науки о нейросетях на методы обучения сетей и виды топологий архитектуры сетей, а с другой, вобрал в себя методы математической статистики, то указанные ниже способы машинного обучения исходят из нейросетей. То есть базовые виды нейросетей, такие как перцептрон и многослойный перцептрон (а так же их модификации) могут обучаться как с учителем, без учителя, с подкреплением, и активно. Но некоторые нейросети и большинство статистических методов можно отнести только к одному из способов обучения. Поэтому если нужно классифицировать методы машинного обучения в зависимости от способа обучения, то, касательно нейросетей, не корректно их относить к определенному виду, а правильнее классифицировать алгоритмы обучения нейронных сетей.
— Метод коррекции ошибки
— Метод обратного распространения ошибки
— Метод ближайших соседей
Классические задачи решаемые с помощью машинного обучения
— Классификация как правило, выполняется с помощью обучения с учителем на этапе собственно обучения.
— Кластеризация как правило, выполняется с помощью обучения без учителя
— Регрессия как правило, выполняется с помощью обучения с учителем на этапе тестирования, является частным случаем задач прогнозирования.
— Понижение размерности данных и их визуализация выполняется с помощью обучения без учителя
— Восстановление плотности распределения вероятности по набору данных
— Одноклассовая классификация и выявление новизны
— Построение ранговых зависимостей
Типы входных данных при обучении
— Признаковое описание объектов — наиболее распространённый случай.
— Описание взаимоотношений между объектами, чаще всего отношения попарного сходства, выражаемые при помощи матрицы расстояний, ядер либо графа данных
— Временной ряд или сигнал.
— Изображение или видеоряд.
Типы функционалов качества
Практические сферы применения
Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности.
— Машинное обучение имеет широкий спектр приложений:
— Распознавание рукописного ввода
— Прогнозирование временных рядов
— Биржевой технический анализ
— Предсказание ухода клиентов
Сфера применений машинного обучения постоянно расширяется. Повсеместная информатизация приводит к накоплению огромных объёмов данных в науке, производстве, бизнесе, транспорте, здравоохранении. Возникающие при этом задачи прогнозирования, управления и принятия решений часто сводятся к обучению по прецедентам. Раньше, когда таких данных не было, эти задачи либо вообще не ставились, либо решались совершенно другими методами.
Автоматическое доказательство
Автоматическое доказательство— доказательство, реализуемое программно. В основе лежит аппарат математической логики. Используются идеи теории искусственного интеллекта. Процесс доказательства основывается на логике высказываний и логике предикатов.
Логика высказываний (или пропозициональная логика) — это формальная теория, основным объектом которой служит понятие логического высказывания. С точки зрения выразительности, её можно охарактеризовать как классическую логику нулевого порядка. Логика высказываний является простейшей логикой, максимально близкой к человеческой логике неформальных рассуждений и известна ещё со времён античности.
Логика первого порядка (исчисление предикатов) — формальное исчисление, допускающее высказывания относительно переменных, фиксированных функций, и предикатов. Расширяет логику высказываний. В свою очередь является частным случаем логики высшего порядка.
Другие способы применения искусственного интеллекта
Наряду с системами с базой знаний существуют другие приложения ИИ, такие как игры, решение головоломок, обработка естественного языка, распознавание речи, машинное зрение, робототехника, интеллектуальное обучение, обучение машины и решение общих задач. Развитие этих направлений будет способствовать разработке более совершенных и более «похожих на человека» систем с базой знаний.
Игры и решение головоломок (например, шахматы) были первой областью приложения ИИ и инженерии знаний, где имела место имитация человеческого интеллекта и способностей по решению задач. Средства обработки естественных языков дают возможность компьютерам понимать сообщения на различных языках и осуществлять вербальные коммуникации с живыми пользователями. Они снабжены базой знаний (словарем) и в настоящее время используются для создания интерактивного интерфейса с компьютером в таких областях, как электронные таблицы, программы управления базами данных, операционные системы и системы автоматического перевода. В будущем обработка естественных языков будет использоваться для сканирования, интерпретации и обобщения массивом данных для различных прикладных систем с базой знаний. Распознавание речи и машинное зрение имитируют два наиболее важных человеческих чувства и таким образом упрощают взаимодействие живого эксперта и компьютера. Робототехника занимается копированием физических характеристик человека и их машинной реализацией. Интеллектуальное обучение применяется в основном при обучении с помощью компьютера. Обучение машины — это попытка имитации обучения человека с использованием дедуктивных и индуктивных процессов. Системы решения общих задач предназначены для решения различных видов задач, которые представлены на формальном языке, с использованием алгоритмов и эвристики.
Взгляд в будущее
Как и в других областях, настоящее инженерии знаний принадлежит реалистам, которые адаптируют технологии к удовлетворению существующих потребностей. Однако будущее инженерии знаний зависит от мечтателей, предвосхищающих появление технологий, которые будут служить людям в будущем.
В распоряжении инженеров по знаниям будет более совершенное аппаратное и программное обеспечение. Быстрое действие и большая емкость запоминающих устройств позволит использовать знания, основанные на здравом смысле, и предоставит возможность одновременно обрабатывать правила, фреймы и другие структуры знаний. Станет необходимой обработка данных с массовым параллелизмом и применение суперкомпьютеров. Программное обеспечение позволит обучение на базе опыта и обновление его базы данных. Также оно будет обладать возможностями динамического отклика на изменяющиеся входные условия или функцию. Системы с базой знаний будут полагаться на автоматизированное программное обеспечение по получению знаний. В качестве пользовательских интерфейсов будут использоваться распознавание речи и ввод рукописной информации. Коммуникации будут многоязычными, появятся возможности машинного перевода.
Приобретение знаний — это то, что ограничивает развитие систем с базой знаний. Мы сможем разработать более эффективные системы с базой знаний только в том случае, если мы лучше поймем способы обработки знаний, их хранения и поиска, свойственные человеческому разуму, а также принципы накопления человеком опыта.
У компьютера большие возможности искусственного интеллекта. Он превратится из устройства для обработки данных в устройство для обработки знаний. Обладая сенсорными связями и роботами, система с базой знаний сможет собирать и анализировать информацию, а также действовать бел вмешательства человека. Языковое программное обеспечение будет имитировать интуицию. Дополнительные технологии, такие как нейросети или «широкомасштабная» параллельная обработка, подготовят почву для появления интеллектуальных машин более высокого уровня.
СПИСОК ЛИТЕРАТУРЫ:
2. Гаврилова и др. Базы знаний интеллектуальных систем // Учебник для вузов. — СПб.: Питер, 2000.
3. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 2005. ISBN 5-86134-060-9.