Nell'ambito dell'intelligenza artificiale, l'acquisizione della conoscenza () è il processo di estrazione, strutturazione e organizzazione della conoscenza proveniente da diverse fonti, principalmente esperti umani, documenti e banche dati, per la sua successiva rappresentazione e integrazione all'interno di un sistema basato sulla conoscenza (knowledge-based system).
Questo processo rappresenta una fase cruciale nell'ingegnerizzazione della conoscenza, ponendosi storicamente come il principale ostacolo nello sviluppo di KBS, come i sistemi esperti, noto come "collo di bottiglia dell'acquisizione della conoscenza".
Storia
Durante la prima era dei sistemi esperti negli anni '70 e '80, il paradigma dominante per la rappresentazione della conoscenza era basato su regole di inferenza (del tipo SE... ALLORA...). L'acquisizione della conoscenza si fondava quasi esclusivamente su interazioni umane: un ingegnere della conoscenza (knowledge engineer) intervistava un esperto di dominio (domain expert) per formalizzarne l'euristica intrinseca.
Progetti storici come MYCIN, sviluppato per la diagnosi delle infezioni batteriche nel sangue, misero in luce la difficoltà estrema nel tradurre il ragionamento implicito umano in regole rigide e formalizzate. Edward Feigenbaum definì questo fenomeno come il vero collo di bottiglia (knowledge acquisition bottleneck) nello sviluppo dei sistemi intelligenti .
Modelli formali di acquisizione
Con l'evoluzione della disciplina, sono stati sviluppati framework strutturati per formalizzare il processo di acquisizione, tra cui il metodo KADS (poi evoluto in CommonKADS), che propone la modellazione della conoscenza a diversi livelli di astrazione primariamente disaccoppiati dall'implementazione del codice .
In termini formali, il processo di acquisizione trasforma un insieme di fonti non strutturate in un insieme formale di concetti e relazioni :
dove la conoscenza acquisita può essere rappresentata mediante logiche descrittive o grafi di conoscenza definita dalla tupla:
con : insieme dei nodi (concetti o entità). insieme degli archi diretti (relazioni ed euristiche). funzione di etichettatura che assegna un significato semantico alle entità e alle relazioni.
Tecniche di acquisizione
Le tecniche di acquisizione della conoscenza si dividono principalmente in tre categorie:
Tecniche dirette (manuali) Richiedono un'interazione diretta e intenzionale tra l'ingegnere della conoscenza e l'esperto umano: Interviste (strutturate e semi-strutturate): Domande mirate per estrarre la conoscenza procedurale e dichiarativa. Protocol analysis (Analisi dei protocolli del pensiero): L'esperto risolve un problema verbalizzando i propri processi mentali in tempo reale (think-aloud protocol) . Grid technique (Griglie di repertorio): Basata sulla teoria dei costrutti personali di George Kelly, permette di identificare somiglianze e differenze tra i concetti del dominio.
Tecniche semi-automatiche Prevedono l'impiego di strumenti software guidati dall'utente per accelerare la formalizzazione dei dati, come gli ambienti di modellazione ontologica o i sistemi di elicitazione basati su mappe concettuali.
Tecniche automatiche Sfruttano algoritmi per estrarre conoscenza direttamente da dati non strutturati o strutturati senza l'intervento diretto dell'esperto umano: machine learning e data mining: estrazione di pattern contenuti implicitamente nei dati primari. text mining e NLP: utilizzo dell'elaborazione del linguaggio naturale per estrarre ontologie, entità e relazioni da grandi corpora di testo .
Note
Bibliografia
Categoria:Ingegneria della conoscenza Categoria:Intelligenza artificiale Categoria:Rappresentazione della conoscenza