工业数字化干货 | 一文了解工业大数据领域的知识沉淀
来源: | 作者:pmod6d781 | 发布时间: 2021-11-22 | 2295 次浏览 | 分享到:

知识管理


过去大家讲的知识管理大多是如何实现企业内部不同部门间的文档共享。例如做过的类似案例、类似行业,怎么能实现内容的沉淀,在文档共享的基础上还可以做知识地图,方便检索。


在文档之外,针对一些例行事务,通过个人或团队完成,也总结出知识分享的模式。比如报销处理等规章制度的知识管理。而例如开发等需要团队合作才能完成的工作,需要功能性的、流程性的、标准性的协同工作模式。再复杂一点,很多科学发现是专家工作模式,更强调个人的技能、专长和聪明才智,这时候的知识分享,是专家内部领域之间的切磋。这个层面的知识传承依赖于知识本身是例行的还是复杂的,工作本身是个人能完成还是集体能完成的。


知识管理,需先把外部显性的知识共同化,大家对一个事务都有理解,通过共鸣形成外化的知识,虽然这个知识当前还是隐性的,但实现外化的知识能够明确的辨析概念与内在关系,逐渐结构化或系统化,形成总结之后,最好还能从显性知识变成每个人的内化知识,从内化到共性化到外化到结合化,形成迭代循环,实现一个企业/组织知识的沉淀螺旋式上升。


知识工程

比知识管理更强调形式化,怎么把一个专家经验,能够以条理化、形式化沉淀下来。做知识工程的总体原则有一个框架。


第一步,sources of knowledge知识的源头在哪里,一般来自于专家或者内部团队的经验。

第二步,有了知识源之后,知识本身不能流动,而是通过一定的方法knowledge acquisition,把它诱导出来。

第三步,knowledge representation知识的表征,怎么以形式化、概念、属性、数值、关系的形式表征出来,以树状结构、以各种模型把它形式化出来。

第四步,有了模型表征之后,knowledge validation知识的验证,专家知识不一定完全对,也不一定完备,经过数据大量实践之后,要做验证测试,不断完善knowledge base知识库。

第五步,知识库explanation justification,基于大量知识,可能会发现一些现象,会做一些研判,并进一步推理,可以是归纳推理也可以演绎推理。


这些是知识工程的一些核心要素,怎么做知识的捕获、知识的推理、知识的验证,来保证知识的有用性、可用性、实用性、重用性。



专家系统

知识工程最核心的是怎么把知识以非结构化的方式从行业专家脑子里提炼出来。80年代到90年代,结合专家系统有很多探索,这里面有三个最有名的工作。


一是卡基梅农和波音公司成立了合作研究中心,对工业典型的诊断问题和一些预判问题,做了很多总结,提出了六大范式,针对六大类问题提出了很多方法论例如MORE SALT等,基本上是针对一种知识,怎么来保证知识的无歧义和完备,他们提出了很多形式化建模方法,这里面有很多不错的工作。