二是KADS，欧盟支持的一个项目《知识获取与文档结构化》，对知识沉淀方法也做了类似总结，特别是把知识分为约束、事实、过程等很多要素，目前在欧盟用的最广的当前版本是common case共同性的案例，但是在细节上不如卡梅-波音做的细。

另外Milton有本专著，根据不同的知识的类型、知识沉淀的方法做了总结，有的是通过一些非结构化访谈，有的是通过process mapping流程地图，有的是通过communication专家访谈等方式进行了总结，分成47步四个阶段。

知识沉淀的过程非常困难，困难的本质在什么地方？根据过去经验，大概总结为四个方面：

第一，知识本身的产权很难界定一个老专家真正能把故障诊断经验总结成知识，可能需要10多年或者整整20年的经验积累，不断的用悟性总结，但一旦分享出来，可能只需要很简单的几天就能学习到。知识沉淀者得到的权益和他的付出成本是不对等的。

第二，从技术来看，专家经验其实并没有那么“美”，大部分时候专家经验没有结构化，也没有定量化，造成了到现实中也很难用，很难完备。

第三，知识沉淀的过程非常困难，知识不会自己流动，现阶段，专家自主沉淀知识还是有一定技术门槛，需要不断的诱导、不断的去循环、不断的交互，才能获得。如果分析师对这个领域不太熟悉，很难获得深层次的知识。专家把脑子里的知识转化成语言，本身就有损失，通过语言传递给分析师，进行再次加工和解读，再去沉淀，中间会损失很大一部分信息。

第四，如同西屋电气的例子，看起来非常简单的一些诊断逻辑，需要1.6万条规则，为什么需要1.6万条，其根本在于专家规则这种表达形式的推理能力非常有限，规则经常“if then”，所谓的推理基本上就是条件的触发，这种规则的推理能力非常弱。

如果表达一个研判，规则目前是最实用的一种方式，但也许不是最经典的。规则的表达能力很有限，缺乏推理能力，而现在机器学习、人工智能最大的问题还是表达能力，在此之上能不能做更深层次的推理，能不能推出来在目前认知和数据情况下存在的一些现象，这是我们目前面临的一大困境。

大数据能为知识结构化带来什么

第一，量化评价检验专家经验的可信度，到底对不对、在多大程度上对；同时，可以非常定量的评价专家知识的效果。实事求是地讲，很多专家经验描述有模糊性，有传递损失，这个认知如果原封不动的用大量数据验证，会有不少的虚假预警，这个我们在过去经常发现。也因为专家知识非常模糊，用到现实效果怎么样也没有定量评价，就很难给专家合理的回馈。有了基于大数据验证的定量评价之后，使用前和使用后到底效果上有多大改进是可以评价的，才有可能实现利益的度量和分配。