知识工程师_百度百科
知识工程师
本词条缺少名片图，补充相关内容使词条更完整，还能快速升级，赶紧来吧！
是一个实践过程，一方面，知识管理将会对企业的管理方式带来新的突破，从一些推行知识管理的企业所取得的成功经验来看，推行知识管理的企业，其管理方式经历着几个阶段的发展，第一阶段叫物本管理，这一阶段的管理理念建立在流水线、生产线、或其他物质对象之上。
知识工程师简介
是一个实践过程，一方面，知识管理将会对企业的管理方式带来新的突破，从一些推行知识管理的企业所取得的成功经验来看，推行知识管理的企业，其管理方式经历着几个阶段的发展，第一阶段叫物本管理，这一阶段的管理理念建立在流水线、生产线、或其他物质对象之上。第二阶段叫人本管理，以管理员工为内容。第三阶段是能本管理，这一阶段中，企业中员工价值的体现与个人目标的实现是通过个人的能力来表现的，企业强调员工的能力，通过员工个人能力的整体提高，来提高企业的能力。能本管理为知识管理提供了重要的基础。另一方面，从信息技术的角度来看，企业在信息管理过程中，为了更有效地推广应用信息技术，设立了信息中心、计算中心、等专门机构和职位，他们对信息技术在企业的应用推广负责，但他们并不是信息的直接拥有者，需要利用信息技术的部门，比如人事、财务等部门才是信息的拥有者，信息中心、计算中心或CIO的作用是为这些业务部门提供有效的信息技术手段，促进信息的有效加工，提高生产效率。
知识管理包含知识的整理、运用、传播、改造和更新等过程，这些过程对于企业来说是崭新的实践活动，因此，企业部署知识管理，不仅需要先进实用的知识管理解决方案，同时也需要具有知识管理专业技能的专业人才。事实上，专业的知识管理人才对企业知识管理成功与否具有重要的意义，著名的知识管理专家、知识管理权威性著作《营运知识》（Working Knowledge）的作者教授曾指出：“在公司内的某个群体对知识管理工作负起明确的责任之前，知识不可能得到良好的应用。”
这个管理理论从一产生就被IT化，早在60年代，人们就开始利用计算机模拟MRP的管理思想了，所以现在人们在谈论MRP时，既可以说它是管理理论，也可以说它是计算机应用，基本上是一回事。现在的知识管理也是如此，它是一套软件的实践过程，信息或文件的拥有者与技能或知识的拥有者相一致，在谈到企业的知识拥有者时，应该包含着IT方面的内容。知识拥有者举例来说，公司中的一台电脑由A员工来使用，这台电脑中存储着A员工日常业务处理信息，如果A员工离开公司另某高就，在交回这台电脑时，电脑所存储的信息或杂乱无章或基本删除，这就造成了知识的流失，因为这家公司并不是这台电脑所存储的知识的拥有者。因此，企业在实施知识管理时，首先需要确定知识的拥有者是谁，由谁来对员工的技能负责等问题。
从知识管理对企业的影响程度方面来看，企业需要这样一个新角色，其意义就相当于在20年前设立的（或专门负责计算机运行的部门）一样，通过信息中心这种专门的信息技术管理机构，借助信息工程师的专业技能，企业可以由统一的部门管理整个企业的计算机系统，更好地发挥信息系统的整体应用效益。同样的道理，企业现在设立知识工程师职位，并逐步建立起企业的知识管理机构，将对企业实施知识管理产生推动作用。
从做软件工程的角度来看，用户虽然很难对自己在某方面的业务应用（比如说财务应用）的需求了解得很清楚，但可以了解一部分，因为用户拥有这方面的人才，知道自己需要什么样的应用功能。知识管理包含知识的整理、运用、传播、改造和更新等等过程，这些过程对于企业来说是崭新的实践，如果企业中没有人了解基本的知识管理方法的话，企业就很难了解究竟自己对知识管理有哪些需求，使得企业知识管理无从入手。因此，对于广大企业用户来说，知识工程师是非常需要的。 [1]
知识工程师职责
1、负责知识工程项目有关领域本体等知识库的建设，包括有关数据源的采集、整理、加工、维护和优化；以及本体相关技术问题的处理。解决知识在提取、表达、转换、运用等环节中遇到的问题。
2.参与知识工程/知识管理等软件平台和工具的软件功能设计，完成部分功能的算法及原型实现。
3.参与知识工程、语义本体相关的新技术和发展方向的跟踪调研。[2]
知识工程师所需能力
1.理工科背景，计算机、信息管理、情报学、知识工程等专业的本科及以上学历；
2.具有两年以上相关经验，至少熟练掌握一门编程语言；
3.对人工智能、自然语言处理、文本（数据）挖掘、机器学习等领域的基本原理有一定了解者优先；
4.有较好的领悟能力、沟通能力和学习能力；
5.优秀的个人品质和素质，诚实守信，形象良好，思维敏捷、具有创新精神和意识；
6.善于沟通，富有团队精神，能够承担压力，从容工作。[2]
．百度[引用日期]
．百度[引用日期]
企业信用信息您的位置： &
知识工程师的训练与发展——介绍美国数字设备公司的经验
优质期刊推荐 上传我的文档
 下载
 收藏
免责声明：本人所有资料来自网络和个人所创，版权归原作者所有，请注意保护知识产权，如有需要请购买正版图书，请您下载后勿作商用，于24小时内删除，本人所提供资料仅为方便学习交流。 本人如有侵犯作者权益，请作者联系官方或本人,本人将立即删除。
 下载此文档
正在努力加载中...
人工智能中知识获取技术
下载积分：600
内容提示：人工智能中知识获取技术
文档格式：DOC|
浏览次数：83|
上传日期： 14:59:56|
文档星级：
该用户还上传了这些文档
人工智能中知识获取技术
官方公共微信酷勤网 C 程序员的那点事！
当前位置： >
浏览次数：次
Robbin大神最近写了篇文章叫。
里面举了纯银推广蝉游记的方法：
一开始，我们的运营团队收集了近千个种子用户名单，挨个去拉，成功率近乎于0。崩溃了。然后去微博上搜索&刚结束旅行&的用户拉人，成功率还是近乎于0。再次崩溃了。
因为我的个人风格，再加上天使轮确实也没什么钱，当时没用钱开路，也就是不用现金奖励，这个奖励那个奖励去吸引用户来写游记，就是硬拉，下场极惨，差点挂在这里。
我只好动用萌系产品技能，做了一个过渡产品叫&旅行推&。
旅行推这个网站呐，只做一件事，抓取&正在旅行中的人&，所发的&关于这次旅行的微博&，按目的地展示出来，样式是烂大街的瀑布流。这件事情的难点在于，如何鉴定这是一条旅行分享微博？
我好想去巴黎哦算不算？ 我家住在巴黎公社小区算不算？ 我买了个包牌子是香榭丽算不算？
当然不算。必须得是正在旅行中的人，在旅行中实时发送的，与这次旅行相关的微博才算。
到现在为止，似乎只有旅行推做到了这一点。
我设计了一套核心算法，过滤掉脏数据，仅保留有效数据，后来又加入了另外9道过滤规则，以及不断调试关键字库，最后达到了惊人的&&97%有效率。
抓取100条微博，目测97条有效。
这样做，目的地必须限制在典型的&旅行目的地&，以国外为主，国内则是西藏，新疆，内蒙这种微博用户较少的地区。厦门，成都，杭州都不行，北上广更不行。即便有此限制，抓取数量也达到了每天3000条左右，相当于每天发现2000个以上的，有记录和分享意愿的中长途旅行用户。
神奇的抓取引擎默默地跑了半年，直到新浪修改搜索算法，抓取失效为止，大约抓了30万目标用户过来。然后我们就一个个去勾搭吗？
Too young, too simple, sometimes naive.
蝉小队的运营妹子设计了一套神奇的自动对话机制，印象里大约是这样的：
机器人评论：在吗？ 对方：在（不管回答什么，都触发下一条评论） 机器人评论：我们是一个年轻的创业团队，有一个不情之请。 对方：xxxxx（不管回答什么，都触发下一条评论） 机器人评论：邀请你来写游记blablabla 机器人评论：邀请你来写游记blablabla （这里专门拆成2条评论发，更接近真人对话风格） 对方：xxxxx（不管回答什么，机器人再无回复）
直到机器人关停三年后的今天，还能遇到有人跟我说，你们的运营人员曾经在微博上拉过我写游记，当时太忙，不好意思没来哦。
我：呵呵，呵呵呵呵，呵呵呵呵呵呵，不客气不客气。
在我的记忆里，只有一两个人识破了这个机器人谜题，其他人受到了狡猾的蒙蔽&&于是，30万目标用户+不知厌烦的机器人，完成了蝉游记的冷启动。
还是很有趣的。这套组合拳，打的还是非常有技巧的。
这个世界存在一些事情，其实蛮多人需要的，但是人群又不大，缺少商业价值，但做起来倒也没多复杂。
纯银敏锐的意识到，通过做这么一件事情获得流量，对于处于襁褓时期的产品的引流，也还是颇有意义的。想想现在一个移动APP获取一个用户的成本有多大，你就知道做这么一件事情是值得的。
纯银抓住这么一个事情，做了个【旅行推】。显然，这里存在两个难点
如何获取内容。肯定不能靠自己产生内容，所以只能去聚合。一般做聚合的产品，做的好，其实都不错。因为他们都解决了一个核心痛点：帮用户在数据的海洋中找到他想要的数据。 比如Google搜索，比如今日头条。
当用户浏览这些内容时，如何将流量导入到想要推广的产品。
这两件事情对于普通工程师来说，都不太好做。而对于一个算法工程师而言，其实一看到这两个需求，心里就已经知道怎么做了。因为这些其实都是他们日常的工作内容。
看看第一个难点，纯银也说了，核心要求是&如何判断一条微博是不是分享自己旅行&。纯银是个很聪明的人，挖掘出了很多规则，而且达到了一个相当高准确率。但是如果我没有纯银这么聪明该怎么办呢？
我记得我中学的时候，对于各种几何证明题，那是相当头疼。智商不高哇。后来我知道有一个叫&机器证明&理论，是吴文俊提出的，我特地学了一段时间，基本照着步骤就能证明一个定理。不用太动脑。
而在机器学习领域，其实&如何判断一条微博是不是分享自己旅行&是一种常见类型的问题。我们可以把他定义为一个二分类问题。一旦定义了这个问题，一堆的分类算法就出现了：SVM,逻辑回归，贝叶斯。基本把数据丢进算法包，就搞定了。
一般上面提到的算法，都属于监督类型算法，也就是说要喂语料。可以人工找个几百条，也能比较容易解决。也可以写一些简单规则，先筛选一批出来，有误差也没啥大问题。然后就可以走标准的模型训练，模型使用了。
一般这种二分类问题，比较容易上90%以上的准确率。我之前做过一个8分类的，第一次的准确率就到87%。
纯银最后通过目测&抓取100条微博，目测97条有效&，其实忽略了一个问题，对于这类问题，我们除了要一个准确率外(他这里强调的是准确率)，还需要一个查全率，和搜索引擎是一个道理。通过规则的方式，对查全率其实会影响比较大。
一般通过这种规则的方式，比较考验的观察能力，每个人做的都不一样，但是如果用标准的机器学习方法去做，则大家按照流程做，基本不用什么思考，就能达到类似的效果。因为已经有人把这种类型的问题给&机器化&了。不需要人的抽象思考就能搞定。
这里的理念和我之前对大数据平台中提及的理念是一致的：
数据平台从数据角度来看，其本质是处理非结构化数据的一套规范化，标准化的模式
机器学习其实也是类似的。将解决问题的方式标准化，流程化，不需要你动太多的脑子。
我们看看，如果你想进一步深入，是怎么就跑到机器学习范畴里去的。
纯银通过添加关键词以及规则，一定会遇到一个问题，就是如果内容包含一个关键字，是不是一定就是旅行微博了，如果包含了两个呢，到底需要多少个？我不清楚他提及的规则和关键字是并列的，还是规则是基于关键字的规则。如果是基于关键字的规则，这种规则其实就可以泛化。可以解决一类问题，不就是求 微博中出现A词，是旅行微博的概率，如果同时也出现B词，是旅行微博的概率，具体的大家可以看看这篇文章：。于是我们就可以通过贝叶斯概率来计算微博是不是关于旅行的。但是这局限在了具体一个算法。你会想，我们其实还可以再上一个层次的。这不就是一个分类的问题么？而且是个二分类问题，YES/NO。 于是一波搞统计类机器学习的人就固化除了这一类问题的解决方案。
于是&后人们&处理的方式就倒过来了，先定位一个问题属于什么问题，是分类问题？还是回归类问题？还是聚类问题？接着找到这类问题的工具集，可以是一个软件，也可以是一个开发包，也可以是一个算法自己实现。然后把数据喂给标准的处理程序，就得到结果了。
我们再来看看第二个问题：
当用户浏览这些内容时，如何将流量导入到想要推广的产品
纯银很聪明，也敢于挑战。做了个机器人。一般人想到做机器人，估计觉得自己做不了，但是纯银敢于迎难而上。通过精巧的设计，使得程序开发的难度让一个刚毕业的学生也能实现，不得不惊讶其智慧。我能说纯银是十分精通社会工程学社会心理学么。
但其实问答机器人已经非常普及，做一个也不难。各家大公司都有，京东的jimi,苹果的Siri,微软的小冰，Google的智能助手。当然做成他们那样，还是比较吐血的。但是如果做得比纯银的及其人略微好些，也是不难的。
机器学习有一个很重要的用途是节省人力，可以应对海量的&人&。比如第一个需求，如果是通过编辑去做，也还好。因为收集的微博倒也不需要太大的量。第二个需求，如果是人工去做，就麻烦了，它怎么搞定30万用户？但是服务器的的话无怨无悔，基本无成本，就算一百万人，也没问题。
机器学习并不一定应用在推荐，搜索领域。其实方方面面都用到了。而且能够很好的加强用户的体验。
举个最简单的例子，博客大家都做烂了吧，学程序的时候，就会写个博客系统练手。在写博文的时候，
如何给用户推荐标签，方便用户后续整理自己内容，也方便网站使用？
用户贴了一段代码，如何能直接判断其语言？
用户写了标题后，我们是不是能给用户主动推一些参考文章，方便他写下去？
当然如果产品设计的不适当就是骚扰了。假设开发工程师没有一丁点的机器学习知识，就会用&最直观的方式去做&。
比如第一个方法准备个词库，用户写内容去抽词汇。
第二个可能又得准备个词库，然后判断一些关键字。
第三个通过利用搜索？
直观的方式往往需要做很多&苦力&，还不一定能做好。也非常需要费大脑去总结出一些&规则&。然而一堆的规则，每个规则的权重是什么？怎么定义？这些机器学习提供了数学的方法去支撑，提供了一套完善的思考流程去让你解决问题。
作为一个工程师，不应该仅仅要求机器执行固定的指令，我们希望自己的代码能够让机器更加&聪明&些。帮助人们减轻工作。
也许你会说，我足够聪明，可以做到和纯银一样的水平。不过，你额外掌握一些基础的机器学习理论，或许能够做到50w用户呢？
其实这篇内容的标题也可以改成： 【机器学习给工程师带来了什么】，和我之前写的内容就差不多了(好吧，我承认我打广告了)
& 相关主题：热门推荐：
　　人工智能已经历经了数年的悄然发展，或许在不知不觉中，2015年已经成为具有里程碑意义的一年――计算机已经变得更加聪明，学习速度也比以往任何时候都更快。
　　人工智能正在逐渐加快着发展的步伐
　　Google工程师杰夫&迪恩近日表示，人工智能实际上正在逐渐加快着发展的步伐。为了庆祝他们已取得的成绩并继续为即将到来的新的一年做好规划，迪恩和许多其他的AI顶尖高手本周齐聚在了位于蒙特利尔召开的神经信息处理系统大会(NIPS,AI界最著名的会议之一)。 该大会始于1987年，在过去的数年里，由于人工智能领域的爆炸式发展，已成为许多硅谷公司所必定参加的活动。例如，就在2013年，扎克伯格选择了在NIPS宣布Facebook设立人工智能实验室的计划；另一个名为DeepMind的创新公司在被Google收购之前也曾在此展示了一个可以学会玩电脑游戏的AI技术。
　　所以，本周应该有很多需要进行讨论议题。今年，人工智能领域的研究出现了空前的进步，而这可以说是多个因素相结合所引发的必然结果。首先，具有处理复杂信息的能力的云计算基础设施变得更加强大，并且能够处理的信息量也得到了空前的提升。另一方面，数据集也变得更加丰富，研究人员也有了免费或更为廉价的软件开发工具。正因此，“学习技术”中的一个关键分类――神经网络的学习成本已经变得相对便宜了许多。
　　这也导致高科技产业巨头们纷纷转战AI，其中就包括Google、Facebook和微软等。他们都运行着自己专属的AI实验室，开展着AI重要领域的研究，并向AI学术界公开了大部分的研究进展情况。就在今年，Google开发的“可以学会自主操控玩转Atari游戏”的人工智能系统登上了《Nature》杂志的封面；Facebook方面，则建立了一套方法，来让计算机向盲人描述图像;微软方面，则展示了一个全新的Skype系统，这一系统下可以将一种语言自动转化为另一种语言; 而IBM则把人工智能提点为其最具增长潜力的领域之一。
　　抛开这些科技巨头不谈，初创公司也同样对AI贡献非凡。日本科技行业的新秀、人工智能公司Preferred Networks正在打造的能够应用于工业的机器人AI系统，将烧录进日本的FANUC公司所制造的工业机器人中。Indico数据实验室也曾与Facebook的研究人员合作，教电脑如何运用自己的想象力来绘画各种脸庞。
　　如果想进一步了解今年以来计算机智能到底有了多大的进化，我们可以来看下面这六个图表，它们将给你带来更为清晰的描述：
　　计算机在“识别照片中的内容”这一功能上已经智能了许多。 2012年，加拿大多伦多大学的研究人员获得了世界顶尖的图像识别大赛的头筹。整个团队最终被Google招募，他们所使用的识别方法也迅速被Google与其他同事所采用。2015年，基于该项目的AI系统深度学习技术，已经变得更为智能。在多项测试中，错误率已经下降到了约5%，这一数值已基本能与人类的表现持平。
　　许多公司正在积极的“拥抱”AI。2012年，互联网巨头们还只是零星的使用深度学习技术，而在今年，他们已经将其应用到了数以千计的项目上。
　　深度学习已经成为了硅谷最热门的技术之一。去年，Google以大约5亿美元的价格收购了英国初创公司DeepMind Technologies，紧随其后的，苹果、亚马逊、Facebook和特斯拉等公司也相继开始在这一领域投资。2014年，百度在硅谷成立了深度学习研究中心。
　　初创公司也开始大规模的运用了AI技术。数据统计公司CrowdFlower表示，它看到越来越多的企业都在使用AI技术，以帮助他们进行人工智能的研究。这一数据正在急剧的上扬。
　　人工智能研究的主要重点就在于教会电脑自己去思考，并及时解决各种常见的问题。 为了做到这一点，可行的一种方法就是给他们一个精简版的“现实环境”――比如视频游戏中所呈现的简化环境。然后让他们去探索它，并记录下来电脑“思考”之后所获得的结果（就像Google在2013年的“Atari项目”一样）。但这其中的潜力可比游戏来的更为广泛而深远：类似的软体可以用来教AI计算机进行各种操作，并帮助他们更快速地学习新的技能，例如医疗诊断学、环境科学、或者改进个人建议。
　　人工智能正处于“进化”阶段
　　Google的迪恩将这近一年来最新的AI能力发展变化比作“进化”。“我们正处于一个AI迅速进化的过程中――这就好比以前的动物没有眼睛，而现在他们有了，”他说，“这将颠覆很多事情。计算机在过去通常“无法看得很清楚”，而现在，他们已经睁开了双眼。”
　　这还没完，无独有偶，就在Google工程师大肆宣扬2015年人工智能领域所取得的重大突破之时，微软也有话要说：我们认为，2016年将是人工智能之年。
　　微软最近向其技术和研发部门的16名成员发出了问卷，让他们预测2016年的重大科技趋势。虽然有一些异常项――有一位研究人员认为触控笔很值得期待，还有一位研究人员很看好景深相机――但总体而言，几乎所有人都提到了一件事情：2016年将成为人工智能的重要年份，这对于设计行业至关重要。
　　新型硅架构将助力深度学习技术
　　当被问及到底哪一项关键技术能够在2016年得到突破时，微软研究院的常务董事克里斯&毕晓普表示：“新型硅架构将会出现，这意味着机器对于密集型工作的最大学习负载量将得到进一步提升。”这些架构将会使我们电脑和智能手机中的虚拟个人助理――如微软的Cortana和苹果的Siri“能够表现得更加自然，工作能力得到进一步增强”。“这些虚拟个人助理将会真正能够帮助到你的生活和工作。”微软雷德蒙实验室的技术研究员兼常务董事埃里克&霍维茨说。
　　那么如何做到这一点呢？霍维茨表示，在2016年，对于AI的提升将能够使得虚拟助理了解我们正在处理的任务，并即时帮助我们工作。例如，自动进行编译研究工作――就像一个真正的个人助理那样。他还表示，这些虚拟助理能够真正理解我们许给别人的承诺。例如，你和朋友在电子邮件中约好见面吃饭，他就会自动将这一日程添加到日历中。
　　未来，人工智能将更具“情感”
　　但是，这并不是表示微软认为AI的进化将会在2016年止步。微软研究院杰出工程师兼总经理程莉莉，认为人工智能将不只是帮助我们完成的工作――它还会帮助我们保持乐观向上的心态。“我们将会越来越多地通过与虚拟助理的网上对话对话，来帮助我们保持乐观的心态并变得更有干劲，”她说，“这将使我们重新认识我们与电脑、手机的关系，他们将在我们的记忆中形成更多的羁绊。”换句话说，Siri的和Cortana的喜好将不只是一种只存在于我们智能手机中的一种中立的冷漠的声音――他们会成为我们活泼的同伴，成为能够使我们保持乐观和积极性的挚友。
　　微软也信誓旦旦地表示AI会成为我们真正的伙伴――当我们在网上与品牌互动时，人工智能也将成为一个伙伴。微软亚洲研究院的副总裁洪小文表示，2016年我们将能够看到“拥有“类人”智能的私人助理服务”。这听起来很像Facebook的M。马克&扎克伯格也在试图通过信息来模糊人工只能和人类智力之间的界线。
　　所有的预测都认为，零用户界面将成为一种趋势，几乎不必借助可视界面展开互动――未来的界面将摆脱屏幕的束缚，转向触感、自动化和情景相关。Zero UI 是一个设计师需要挑战的新维度。他们不再是为二维空间设计。在那里，用户的行为是线性和可预测的。它能够通过预测来最大限度地减少用户打开应用程序和小工具界面的这一动作，一切都是自动化操作。倘若微软研究院90%的研究员都看好这一趋势，表明该公司将对这一领域重点下注。由此可见，放弃局促的界面，拥抱人工智能，将会成为微软2016年的发展方向。
　　Via： mashablefastcodesign
　　相关阅读：
　　说好的人工智能 怎么只看到高科技玩具?
　　人工智能那么多 真正被看好的却是这些
　　微信扫一扫，打赏作者吧～
请先登录再操作
请先登录再操作
微信扫一扫分享至朋友圈
专注移动互联网领域的科技博客。雷者，万钧之势；锋者，锐利之...
11566文章数
知名IT评论人，曾就职于多家知名IT企业，现是科幻星系创建人
未来在这里发声。
新媒体的实践者、研究者和批判者。
立足终端领域，静观科技变化。深入思考，简单陈述。
智能硬件领域第一自媒体。