Knowledge Acquisition, Modeling and Management: 11th European Workshop, EKAW’99 Dagstuhl Castle, Germany, May 26–29, 1999 Proceedings

گذشته، حال و آینده اکتساب دانش این کتاب حاوی مجموعه مقالات یازدهمین کارگاه اروپایی در کسب دانش، مدلسازی و مدیریت (EKAW '99) است که در قلعه داگستول (آلمان) در ماه می 1999 برگزار شد. این تداوم و تعداد بالای ماموریت ها نشان دهنده وضعیت بالغ جامعه کسب دانش است. کسب دانش به عنوان تلاشی برای حل گلوگاه اصلی در توسعه سیستم‌های خبره (که اکنون سیستم‌های مبتنی بر دانش نامیده می‌شوند) آغاز شد: کسب دانش از متخصص انسانی. روش ها و ابزارهای مختلفی برای بهبود این فرآیند ایجاد شده است. این رویکردها به طور قابل توجهی هزینه توسعه سیستم های مبتنی بر دانش را کاهش دادند. با این حال، این سیستم‌ها اغلب تا حدی وظایفی را که برای آن توسعه داده شده بودند انجام می‌دهند و تعمیر و نگهداری آن مشکل حل نشده باقی می‌ماند. این امر مستلزم یک تغییر پارادایم است که فرآیند توسعه سیستم های مبتنی بر دانش را به عنوان یک فعالیت مدل سازی می بیند. به جای انتقال دانش بشری به کد قابل خواندن توسط ماشین، ساختن یک سیستم مبتنی بر دانش اکنون به عنوان یک فعالیت مدل سازی در نظر گرفته می شود. یک مدل به اصطلاح دانش در تعامل با کاربران و کارشناسان ساخته می شود. این مدل لزوماً نیازی به بازتابی از تخصص انسانی موجود ندارد. درعوض باید مشخصه سطح دانش دانشی را که برای حل تکلیف برنامه مورد نیاز سیستم است، ارائه دهد. صرفه جویی و کیفیت در توسعه سیستم و قابلیت نگهداری با روش ها و روش های حل مسئله قابل استفاده مجدد به دست می آید. اولی فرآیند استدلال سیستم مبتنی بر دانش (یعنی الگوریتم‌هایی را که استفاده می‌کند) و دومی ساختارهای دانشی را که استفاده می‌کند (یعنی ساختارهای داده) را توصیف می‌کند. هر دو انتزاع از شرایط خاص برنامه و دامنه خاص برای فعال کردن استفاده مجدد از دانش.

Past, Present, and Future of Knowledge Acquisition This book contains the proceedings of the 11th European Workshop on Kno- edge Acquisition, Modeling, and Management (EKAW ’99), held at Dagstuhl Castle (Germany) in May of 1999. This continuity and the high number of s- missions re?ect the mature status of the knowledge acquisition community. Knowledge Acquisition started as an attempt to solve the main bottleneck in developing expert systems (now called knowledge-based systems): Acquiring knowledgefromahumanexpert. Variousmethodsandtoolshavebeendeveloped to improve this process. These approaches signi?cantly reduced the cost of - veloping knowledge-based systems. However, these systems often only partially ful?lled the taskthey weredevelopedfor andmaintenanceremainedanunsolved problem. This required a paradigm shift that views the development process of knowledge-based systems as a modeling activity. Instead of simply transf- ring human knowledge into machine-readable code, building a knowledge-based system is now viewed as a modeling activity. A so-called knowledge model is constructed in interaction with users and experts. This model need not nec- sarily re?ect the already available human expertise. Instead it should provide a knowledgelevelcharacterizationof the knowledgethat is requiredby the system to solve the application task. Economy and quality in system development and maintainability are achieved by reusable problem-solving methods and onto- gies. The former describe the reasoning process of the knowledge-based system (i. e. , the algorithms it uses) and the latter describe the knowledge structures it uses (i. e. , the data structures). Both abstract from speci?c application and domain speci?c circumstances to enable knowledge reuse.