Понятие “база знаний” ведет свое происхождение из систем искусственного интеллекта. В этих системах базы знаний генерируются для экспертов и систем, основанных на знаниях, в которых компьютеры используют правила вывода для получения ответов на вопросы пользователя. Хотя приобретение знаний для получения компьютерных заключений все еще остается сложным вопросом, большинство современных разработок обеспечивают знания в удобной для восприятия форме, или поставляют программное обеспечение для обработки этих знаний.

По мере усложнения АИС, многие методы, которые ранее использовались только в исследовательских целях, находили свое место в разработках организационно-технических систем. Методы и средства “управления знаниями” в настоящее время стали применяться в АИС различного назначения, в том числе в производстве, экономике, коммерческих и финансовых приложениях. В таких системах под управлением знаниями понимается установленный в организации формальный порядок работы с информационными ресурсами для облегчения доступа к знаниям и повторного их использования с помощью современных информационных технологий. Основная цель – сделать знания доступными и повторно используемыми на уровне всей организации.

Ресурсы знаний различаются в зависимости от отраслей индустрии и приложений, но как правило, они включают руководства, письма, новости, информацию о заказчике, сведения о конкурентах и данные, накопившиеся в процессе работы. При этом используются разнообразные технологии:

• электронная почта;
• базы и хранилища данных;
• системы групповой поддержки; браузеры и системы поиска;
• корпоративные сети и Internet;
• экспертные системы и системы баз знаний;
• интеллектуальные системы.

Традиционно проектировщики АИС ориентировались лишь на отдельные группы пользователей – главным образом менеджеров. Такие системы содержат набор инструментальных средств для нисходящего доступа к базам данных, информация в которых необходима для поддержки принятия решений в процессе управления. Более современные системы проектируются в расчете на целую организацию. Очевидно, что когда все данные содержатся в едином хранилище, изучение связей между отдельными элементами данных может быть более эффективным, а результатом анализа становятся новые знания, скрытые в анализируемых знаниях.

Если хранилища данных содержат в основном количественные данные, то хранилища знаний ориентированы в большей степени на качественные данные. Знания генерируются из широкого диапазона баз данных, хранилищ данных, рабочих процессов, статей новостей, внешних баз, Web-страниц (как внешних, так и внутренних), и конечно, люди, представляют свою информацию. Хранилища знаний обычно распределены по большому количеству серверов. Базы знаний могут содержать руководства и правила проектирования, спецификации и требования. Другим распространенным приложением является база знаний кадровых ресурсов, содержащая данные о квалификации и профессиональных навыках сотрудников, об образовании, перечень специальностей, сведения об опыте работы и т.д. В связи с бурным развитием Internet, все чаще используют Web-технологии.

Получили развитие обучающие базы знаний. Например, обучающая база знаний Национального агентства безопасности содержит три типа уроков: информационные, уроки успеха и проблемы.

Разведка знаний – нетривиальное извлечение точной, ранее неизвестной и потенциально полезной информации из данных – представляет собой новое и быстро развивающееся направление, использующее методы искусственного интеллекта, математики и статистики для получения знаний из хранилищ данных. Этот метод включает инструментарий и различные подходы к анализу как текста, так и цифровых данных.

Например система Odie (On demand Information Extractor) каждую ночь сканирует около 1000 статей с последними новостями для извлечения знаний об изменениях в управлении. Odie, разработанная для американских и европейских обозревателей новостей, использует распознавание стилизованных фраз в статьях деловых новостей и знания о синтаксических правилах для распознавания соответствующих событий в сфере бизнеса. Исследуется возможность использования функции, которая отслеживает полуструктурированный текст для сбора информации о других типах событий, связанных с бизнесом, например, крупных приобретениях.

АИС представляют знания как в форме, удобной для восприятия человеком, так и в машиночитаемом виде. В первом случае доступ к знаниям можно получить используя браузеры и системы интеллектуального поиска, а знания, доступные в машиночитаемой форме, могут быть спроектированы как базы знаний экспертных систем для поддержки принятия решений.

В других случаях, когда информация имеет декларативный характер (факт или утверждения), текст или правила могут использоваться для представления информации и знаний. Например, руководства, информационные бюллетени или другие подобные типы знаний обычно выглядят как документы, списки или правила (хотя могут быть добавлены связи между знаниями для упрощения поиска и понимания).

Используя машиночитаемые знания, экспертные системы “подводят” пользователя к рекомендованным решениям. Экспертные системы могут быть интегрированной частью АИС. Хотя последние иногда содержат элементы искусственного интеллек”та, эти элементы используются только для поиска знаний, представленных в форме, удобной для восприятия человеком.

Качество и актуальность знаний зависит от многих факторов. Например от того, кто поставляет знания в систему. Поскольку качество знаний изменяется от источника к источнику, системы часто отфильтровывают знания, чтобы они были полными и достоверными. Фильтрация не всегда выполняется сотрудниками компании. Чаще всего используется фильтрация сообщений электронной почты по приоритетам и категориям. Кроме того, применяются различные средства, позволяющие отслеживать качество баз знаний. Оценка обычно зависит от потребностей конкретных сотрудников, рабочих групп или интересов всего предприятия.