DevNotes Live

Абеляр и Элоиза схоластики XXI века: Инженерия знаний и Инженерия промтов

В этом мире, где каждая технологическая инновация стремится к определенному виду апокалипсиса знаний, роль инженерии знаний, безусловно, выходит на передний план. Основанная на онтологиях и тезаурусах, она представляет собой бастарда между архивариусом и алхимиком, вечно стремящимся к созданию экспертных систем и баз данных, подобно древним библиотекам Александрии… Последние 40 лет теорией, которая должна была наполнять данными ИИ была теория инженерии знаний, которая ориентирована на разработку экспертных систем и баз знаний при помощи онтологий и тезаурусов. К каждой такой инженерии прикладывался в рамках корпорации и свой менеджер знаний: фактически каждая компания имела отдельного менеджера знаний и инженеров знаний. На моей практике в СНГ это заменялось экспериментами с пресловутым и запрещенным ныне конфлюенс, а роль менеджера знаний редко когда выходила дальше редактирования этого пакета.
https://ru.wikipedia.org/wiki/%D0%98%D0%BD%D0%B6%D0%B5%D0%BD%D0%B5%D1%80%D0%B8%D1%8F_%D0%B7%D0%BD%D0%B0%D0%BD%D0%B8%D0%B9

Кажется, что LLM может быть интересной новацией, которая направлена именно на подзабытые дисциплины инженерии и менеджмента знаний внутри контура организаций. В октябрьской статье 2023 года Knowledge Engineering using Large Language Models предлагается взглянуть через призму больших языковых моделей, которые могут быть потенциальной революцией
https://arxiv.org/abs/2310.00637

Инженерия знаний приобрела известность в семидесятых годах, когда Эдвард Фейгенбаум и другие убедились, что автоматизация производства знаний посредством применения исследований в области искусственного интеллекта требует сосредоточения внимания на конкретной предметной области . В период с середины 1970-х по 1980-е годы возникла инженерия знаний основанных на правилах экспертных систем для целей автоматизации принятия решений в корпорация, но к началу девяностых годов стало ясно, что подход экспертных систем привел к созданию систем, которые были дорогими в обслуживании и трудными в адаптации, они не могли быстро изменяться в зависимости от контекста и изменяться вместе с требованиями. Фейгенбаум утверждал, что для успеха будущие системы, основанные на знаниях, должны быть масштабируемыми и глобально распределенными - в том числе, чтобы не увязнуть в бюрократических лабиринтах согласований.
LLM — это вероятностные модели естественного языка, обученные на очень больших массивах контента, в основном полученных из Интернета. Подобно предыдущим подходам к языковому моделированию, учитывая последовательность токенов, LLM прогнозируют вероятную следующую последовательность токенов на основе изученного распределения вероятностей таких последовательностей. Однако, из-за огромного количества контента, обрабатываемого при обучении, а также большого размера и архитектуры задействованных нейронных сетей, LLM демонстрируют замечательные возможности обработки естественного языка, которые намного превосходят более ранние подходы

Традиционно подходы к инженерии знаний фокусировались на знаниях, выраженных на формальных языках. Появление больших языковых моделей и их возможностей эффективно работать с естественным языком в самом широком смысле ставит вопросы об основах и практике инженерии знаний. Авторы статьи обрисовывают потенциальную роль LLM в инженерии знаний, выделяя два центральных направления: 1) создание гибридных нейросимволических систем знаний; и 2) обеспечение возможности инженерии знаний на естественном языке. В истории компьютерных исследований инженерии знаний знания часто рассматривались в первую очередь как символические выражения. Однако, знания на самом деле кодируются в различных средах и формах, в первую очередь в естественном языке, но также в изображениях, видео или даже электронных таблицах. Этот факт становится еще более очевидным, если взглянуть на практики институционального знания, которые развивались веками, например, в науке или архивах, библиотеках и фондах.

1 view11:04