REPOZITORIJ > REZULTATI

Povzetek

Zajemanje strukturiranega znanja je pomemben del raziskav s področja umetne inteligence. Dostop do visokokakovostnega znanja, strukturiranega v obliko, ki omogoča uporabo z računalniškimi programi, je pomemben dejavnik, ki pripomore k razvoju tudi drugih podpodročij znanosti, predvsem računalništva, strojnega učenja ter preostalih vej umetne inteligence. Gre za zahtevno nalogo, ki se jo rešuje že nekaj desetletij s pomočjo mnogih metod, še vedno pa tudi z ročnim vnašanjem in kodiranjem znanja v kompleksne baze podatkov s strani strokovnjakov posameznih področij. V zadnjih nekaj letih so se pojavili poskusi zajemanja znanja tudi s pomočjo množenja, kjer gre za prestrukturiranje problema na manjše in enostavnejše podprobleme, predstavljene tako, da jih namesto enega strokovnjaka lahko reši večja množica ne nujno strokovno usposobljenih oseb.
Kljub temu da je bilo odkritih, razvitih in testiranih mnogo sistemov za pridobivanje znanja s pomočjo množenja in taki sistemi uspešno rešijo težavo pomanjkanja strokovnega kadra, še vedno ostajajo problemi visokih finančnih stroškov, težavne priprave nalog za množenje, iskanja prave množice ter konsistentnosti in kakovosti pridobljenega znanja.
To doktorsko delo rešuje omenjeni primanjkljaj z vpeljavo in formalizacijo novega pristopa k zajemanju strukturiranega znanja, ki lahko znatno poveča kakovost pridobljenega znanja in posledično zmanjša stroške. To rešujemo z avtomatskim generiranjem nalog za množenje v naravnem jeziku, ki pridejo do množice uporabnikov kot vprašanja, na katera preprosto odgovarjajo. Pristop uporablja obstoječo bazo strukturiranega znanja v obliki logike prvega reda, s pomočjo katere preverjamo novo vneseno znanje, pretvornike iz logike v naravni jezik ter trenutni kontekst vsakega uporabnika, s pomočjo katerega lahko sistem iz množice izbere prave uporabnike ob pravem času. Novo pridobljeno znanje je vključeno v obstoječo bazo, s čimer se ustvari pozitivna povratna zanka, v kateri obstoječe znanje in kakovost novega znanja vplivata drug na drugega in se nenehno izboljšujeta skozi čas. Predlagani pristop se lahko vključi v sodobno interakcijo med računalnikom in človekom, ki poteka v naravnem jeziku, pri čemer se zajemanje znanja opravlja kot stranski učinek primarne interakcije.
Kot del teze predstavljamo tudi konkretno implementacijo, ki je bila več let na voljo kot mobilna aplikacija in jo je uporabljalo več tisoč uporabnikov. Med preizkusom je predstavljeni pristop za zbiranje strukturiranega znanja zbral več kot 57.978 odgovorov na vprašanja v naravnem jeziku in iz odgovorov pridobil 386.980 novih koščkov znanja oziroma logičnih dejstev. Analiza pridobljenega znanja kaže, da so zbrana dejstva v 95 % resnična in koristna. Prav tako je uporabniški kontekst za ciljno pridobivanje povečal angažiranost in učinkovitost: število novih trditev na dan na uporabnika se je povečalo za 175 %.