說到人工智能技術(shù)，人們首先會聯(lián)想到機器學(xué)習(xí)、深度學(xué)習(xí)技術(shù)；談到人工智能應(yīng)用，人們很可能會馬上想起語音助理、自動駕駛和各類會話機器人，各行各業(yè)都在研發(fā)底層技術(shù)和尋求AI場景，卻忽略了藏在這些表層技術(shù)之下的重要技術(shù)——知識工程。

1977年美國斯坦福大學(xué)計算機科學(xué)家費根鮑姆教授(B.A.Feigenbaum)在第五屆國際人工智能會議上提出：“知識工程是人工智能的原理和方法，對那些需要專家知識才能解決的應(yīng)用難題提供求解的手段。恰當(dāng)運用專家知識的獲取、表達和推理過程的構(gòu)成與解釋，是設(shè)計基于知識的系統(tǒng)的重要技術(shù)問題?！备鶕?jù)這個定義，我們可以認為知識工程包含了知識獲取、知識表示與知識利用三個過程。

關(guān)于知識獲取，目前有三種方式：非自動知識獲取、知識抽取和機器學(xué)習(xí)知識。非自動知識獲取由知識工程師通過閱讀有關(guān)文獻或與領(lǐng)域?qū)＜医涣鳎@取原始知識并進行分析、歸納、整理，形成用自然語言表述的知識條目輸入到數(shù)據(jù)庫中。知識抽取是對蘊含于文本文獻中的知識進行識別、理解、篩選、格式化，把文獻的每個知識點抽取出來，以一定形式存入知識庫中。機器學(xué)習(xí)知識通過機器的視覺、聽覺等途徑，直接感知外部世界，輸入自然信息，獲取感性和理性知識，或者根據(jù)系統(tǒng)運行經(jīng)驗從已有的知識或?qū)嵗醒堇[、歸納出新知識，補充到知識庫中。非自動知識獲取效率較低，機器學(xué)習(xí)知識難度太大，而知識抽取是知識獲取的最有效方式。關(guān)于知識表示，目前知識表示的方法有很多，其中最廣為人知的是語義網(wǎng)表示法，是一種重點描述概念之間關(guān)系的表示法。知識圖譜就是基于語義網(wǎng)表示法構(gòu)建知識表示模型最為成功的技術(shù)案例。關(guān)于知識利用，其核心在于在通過知識對新信息進行分析，依據(jù)歷史經(jīng)驗和環(huán)境狀態(tài)為決策提供方案。

在協(xié)同辦公場景下，知識工程依據(jù)使用者對知識處理三個過程的側(cè)重點不同，會產(chǎn)生不同形式的知識服務(wù)。如果辦公人員希望獲得特定實體在某些領(lǐng)域內(nèi)的屬性和活動，那么知識服務(wù)就側(cè)重于知識獲取，問題就會集中在如何高效準確的搜集相關(guān)領(lǐng)域內(nèi)的實體信息。例如，在合同簽訂過程中，法務(wù)人員會對合同相對方在法律糾紛、財務(wù)狀況以及企業(yè)信用方面的屬性和活動就十分在意，對這方面的知識獲取形成了直接需求，在未經(jīng)加工處理和分析的條件下，這些知識就已經(jīng)能夠在合同管理過程中幫助企業(yè)規(guī)避風(fēng)險。

如果辦公人員希望快速定位解決某些問題所需的必要條件和相關(guān)實體，或者希望由計算機輔助解決這類問題，那么知識服務(wù)就側(cè)重于知識表示。例如，辦公人員在初次遇到某些事項處理時，最優(yōu)先的解決方法就是搜索過往處理人或者相關(guān)文檔。那么由處理事項、處理人和處理文檔構(gòu)成的知識圖譜能夠快速幫助辦公人員理解業(yè)務(wù)現(xiàn)狀和捕獲關(guān)鍵知識，效果如下圖所示。

如果辦公人員需要一個能夠協(xié)助自己完成某些特定工作意圖的機器人辦公助手，那么知識服務(wù)就側(cè)重于知識利用。例如，辦公人員日常需要確認某類公文中相關(guān)規(guī)定是否發(fā)生了變化，新條款是什么之類的問題，又不想自己進行檢索與比對，就可以將辦公人員這類會話意圖固定到知識工程中，利用已經(jīng)構(gòu)建好的公文條款知識，對其進行回復(fù)，效果如下圖所示。

知識工程是傳統(tǒng)專家系統(tǒng)在人工智能時代的一種延續(xù)。專家經(jīng)驗、關(guān)鍵領(lǐng)域信息、關(guān)系數(shù)據(jù)模型等各種信息載體都能夠在知識工程中存儲、表示、重組和利用。這使得知識工程在協(xié)同辦公過程中出現(xiàn)的復(fù)雜信息處理、輔助決策以及人機交互等場景都具有較高的應(yīng)用價值。而決定知識工程在協(xié)同辦公應(yīng)用效果的是知識獲取成本、知識處理難度和數(shù)據(jù)開放度，這些制約因素將伴隨著各類人工智能企業(yè)對垂直行業(yè)和精細化場景的深耕而逐漸被忽略，知識工程在協(xié)同辦公領(lǐng)域的應(yīng)用前景是光明的。