Sistem Informasi Berbasis Pengetahuan

Otomatisasi Kantor (Office Automation)

Otomatisasi kantor merujuk pada semua alat dan metode yang diterapkan untuk kegiatan kantor yang memungkinkan untuk proses tertulis, visual, dan data suara dengan cara dibantu komputer.

Otomatisasi kantor ini dimaksudkan untuk memberikan unsur-unsur yang memungkinkan untuk menyederhanakan, memperbaiki, dan otomatis organisasi kegiatan dari suatu perusahaan atau sekelompok orang (pengelolaan data administrasi, sinkronisasi pertemuan, dll).

Menimbang bahwa organisasi perusahaan memerlukan peningkatan komunikasi, otomatisasi kantor tidak lagi terbatas catatan tulisan tangan untuk sekedar menangkap. Secara khusus, juga mencakup kegiatan sebagai berikut:

* Pertukaran informasi
* Pengelolaan dokumen administrasi
* Penanganan data numerik
* Rapat perencanaan dan pengelolaan jadwal kerja

office suite Tools

The “office suite” merujuk pada semua program perangkat lunak yang memungkinkan untuk memenuhi kebutuhan kantor. Secara khusus, sebuah office suite karena itu mencakup program-program perangkat lunak berikut:

* pengolah kata
* spreadsheet
* alat presentasi
* database
* scheduler

office suite utama adalah:

* AppleWorks
* Corel WordPerfect
* IBM / Lotus SmartSuite
* Microsoft Office
* Sun StarOffice
* OpenOffice (freeware)

Sistem Pakar (Expert System)

adalah program komputer yang berasal dari cabang ilmu komputer yang disebut penelitian Artificial Intelligence (AI). Tujuan ilmiah AI adalah untuk memahami kecerdasan dengan membangun program-program komputer yang memperlihatkan perilaku cerdas. Hal ini berkaitan dengan konsep dan metode inferensi simbolik, atau penalaran, oleh komputer, dan bagaimana pengetahuan yang digunakan untuk membuat kesimpulan tersebut akan diwakili di dalam mesin.

Tentu saja, istilah kecerdasan meliputi keterampilan kognitif, termasuk kemampuan untuk memecahkan masalah, belajar, dan memahami bahasa; AI alamat semua itu. Tapi kemajuan paling hingga saat ini dalam AI telah dilakukan di daerah pemecahan masalah – konsep dan metode untuk membangun program yang alasan tentang masalah daripada menghitung solusi.

AI program yang mencapai kompetensi tingkat ahli dalam menyelesaikan masalah di daerah tugas dengan membawa menanggung tubuh pengetahuan tentang tugas-tugas tertentu disebut sistem berbasis pengetahuan atau ahli. Seringkali, istilah sistem pakar program yang dicadangkan untuk basis pengetahuan berisi pengetahuan yang digunakan oleh para ahli manusia, berbeda dengan pengetahuan yang dikumpulkan dari buku teks atau non-ahli. Lebih sering daripada tidak, dua istilah, sistem pakar (ES) dan sistem berbasis pengetahuan (KBS), digunakan secara sinonim. Secara bersama-sama, mereka mewakili jenis yang paling luas aplikasi AI. Bidang usaha intelektual manusia yang akan diambil dalam suatu sistem pakar disebut domain tugas. Tugas mengacu pada beberapa kegiatan, tujuan berorientasi pemecahan masalah. Domain adalah wilayah di mana tugas yang sedang dilakukan. tugas-tugas khas adalah diagnosis, perencanaan, penjadwalan, konfigurasi dan desain. Satu contoh dari suatu domain tugasnya adalah awak pesawat penjadwalan, yang dibahas di Bab 2.

Membangun sistem pakar ini dikenal sebagai pengetahuan teknik dan insinyur pengetahuan praktisi disebut. Insinyur pengetahuan harus memastikan bahwa komputer memiliki semua pengetahuan yang dibutuhkan untuk memecahkan masalah. Insinyur pengetahuan harus memilih satu atau lebih bentuk di mana untuk mewakili pengetahuan yang diperlukan sebagai pola simbol dalam memori komputer – yaitu, dia (atau dia) harus memilih representasi pengetahuan. Ia juga harus memastikan bahwa komputer dapat menggunakan pengetahuan secara efisien dengan memilih dari beberapa metode penalaran. Praktek pengetahuan teknik dijelaskan kemudian. Kami pertama-tama menggambarkan komponen-komponen sistem pakar.
The Bangunan Blok Sistem Ahli

Setiap sistem pakar terdiri dari dua bagian utama: basis pengetahuan, dan penalaran, atau inferensi, mesin.

Basis pengetahuan sistem pakar berisi pengetahuan faktual dan heuristik. pengetahuan faktual adalah bahwa pengetahuan dari domain tugas yang banyak berbagi, biasanya ditemukan di buku teks atau jurnal, dan umumnya disepakati oleh orang-orang berpengetahuan di bidang tertentu.

Heuristik adalah pengetahuan, kurang ketat lebih pengalaman, pengetahuan lebih menghakimi kinerja. Berbeda dengan pengetahuan faktual, pengetahuan heuristik jarang dibahas, dan sangat individualistis. Ini adalah pengetahuan tentang praktek yang baik, pertimbangan yang baik, dan penalaran masuk akal di lapangan. Ini adalah pengetahuan yang mendasari “seni baik menebak.”

representasi Pengetahuan meresmikan dan mengatur pengetahuan. Salah satu representasi banyak digunakan adalah aturan produksi, atau hanya aturan. Aturan terdiri dari sebuah JIKA bagian dan bagian PAPA (juga disebut kondisi dan tindakan). JIKA bagian daftar serangkaian kondisi di beberapa kombinasi logis. Potongan pengetahuan diwakili oleh aturan produksi yang relevan dengan garis penalaran sedang dikembangkan jika JIKA bagian dari aturan puas, akibatnya, bagian MAKA dapat disimpulkan, atau tindakan yang diambil pemecahan masalah. Ahli sistem pengetahuan yang direpresentasikan dalam bentuk aturan disebut sistem berbasis peraturan.

Representasi lain yang banyak digunakan, yang disebut unit (juga dikenal sebagai bingkai, skema, atau struktur daftar) didasarkan pada pandangan yang lebih pasif pengetahuan. Unit ini merupakan himpunan pengetahuan simbolik yang berhubungan tentang suatu entitas untuk diwakili. Biasanya, unit terdiri dari daftar properti dari entitas dan nilai-nilai terkait untuk properti-properti.

Karena setiap domain tugas terdiri dari banyak entitas yang berdiri di berbagai hubungan, properti juga dapat digunakan untuk menentukan hubungan, dan nilai-nilai sifat ini adalah nama dari unit lain yang terkait sesuai dengan hubungan. Satu unit juga dapat merupakan pengetahuan yang merupakan “kasus khusus” dari unit lain, atau beberapa unit dapat “bagian dari” unit lain.

Model pemecahan masalah, atau paradigma, mengatur dan mengontrol langkah yang diambil untuk memecahkan masalah. Satu paradigma umum namun kuat melibatkan chaining IF-THEN dari aturan-aturan untuk membentuk garis penalaran. Jika chaining dimulai dari serangkaian kondisi dan bergerak menuju beberapa kesimpulan, metode ini disebut forward chaining. Jika kesimpulan dikenal (misalnya, tujuan yang akan dicapai), tetapi jalan menuju kesimpulan yang tidak diketahui, maka disebut penalaran mundur untuk, dan metode ini backward chaining. Metode-metode pemecahan masalah yang dibangun menjadi modul-modul program yang disebut mesin inferensi atau prosedur inferensi yang memanipulasi dan menggunakan pengetahuan dalam basis pengetahuan untuk membentuk garis penalaran.

Dasar pengetahuan seorang ahli menggunakan adalah apa yang ia pelajari di sekolah, dari rekan, dan dari tahun pengalaman. Agaknya pengalaman lebih dia, semakin besar tokonya pengetahuan. Pengetahuan memungkinkan dia untuk menginterpretasikan informasi dalam database untuk keuntungan dalam diagnosis, desain, dan analisis.

Meskipun sistem pakar terutama terdiri dari basis pengetahuan dan mesin inferensi, beberapa fitur lainnya adalah layak disebut: penalaran dengan ketidakpastian, dan penjelasan garis penalaran.

Pengetahuan hampir selalu tidak lengkap dan tidak pasti. Untuk berurusan dengan pengetahuan yang tidak pasti, aturan mungkin terkait dengan itu faktor keyakinan atau berat. Set metode untuk menggunakan pengetahuan tidak pasti dalam kombinasi dengan data yang tidak menentu dalam proses penalaran ini disebut penalaran dengan ketidakpastian. Sebuah subclass penting dari metode penalaran dengan ketidakpastian yang disebut “logika fuzzy,” dan sistem yang menggunakan mereka yang dikenal sebagai “sistem fuzzy.”

Karena sistem pakar menggunakan pengetahuan pasti atau heuristik (seperti yang kita manusia lakukan) kredibilitasnya sering dalam pertanyaan (seperti halnya dengan manusia). Ketika sebuah jawaban untuk masalah dipertanyakan, kita cenderung ingin tahu dasar pemikiran. Jika alasan yang tampaknya masuk akal, kita cenderung untuk percaya jawabannya. Begitu pula dengan sistem pakar. Kebanyakan sistem pakar memiliki kemampuan untuk menjawab pertanyaan dalam bentuk: “Mengapa jawaban X?” Penjelasan dapat dihasilkan dengan menelusuri garis penalaran yang digunakan oleh mesin inferensi (Feigenbaum, McCorduck et al 1988.).

Bahan yang paling penting dalam sistem pakar adalah pengetahuan. Kekuatan sistem pakar berada dalam pengetahuan, khusus berkualitas tinggi mengandung tentang domain tugas. peneliti AI akan terus mengeksplorasi dan menambah repertoar saat representasi pengetahuan dan metode penalaran. Namun dalam pengetahuan berada kekuasaan. Karena pentingnya pengetahuan dalam sistem pakar dan karena metode akuisisi pengetahuan saat ini lambat dan membosankan, banyak masa depan tergantung pada sistem pakar memecahkan hambatan akuisisi pengetahuan dan dalam kodifikasi dan mewakili infrastruktur pengetahuan yang besar.
Pengetahuan teknik

adalah seni merancang dan membangun sistem pakar, dan insinyur pengetahuan praktisi. Gerald M. Weinberg mengatakan program dalam The Psychology of Programming: “‘Programming,’ – seperti ‘mencintai,’ – adalah kata tunggal yang mencakup suatu ketidakterbatasan kegiatan” (Weinberg 1971). rekayasa Pengetahuan adalah sama, mungkin lebih begitu. Kami menyatakan sebelumnya bahwa pengetahuan teknik merupakan bagian penerapan ilmu kecerdasan buatan yang, pada gilirannya, adalah bagian dari ilmu komputer. Secara teoritis, kemudian, seorang insinyur pengetahuan adalah seorang ilmuwan komputer yang tahu bagaimana merancang dan melaksanakan program yang menggabungkan teknik kecerdasan buatan. Sifat pengetahuan teknik berubah, bagaimanapun, dan jenis baru insinyur pengetahuan muncul. Kita akan membahas sifat berkembang pengetahuan teknik kemudian.

Hari ini ada dua cara untuk membangun sebuah sistem pakar. Mereka dapat dibangun dari awal, atau dibuat menggunakan bagian dari pengembangan perangkat lunak yang dikenal sebagai “alat” atau “shell.” Sebelum kita membahas alat-alat ini, mari kita secara singkat membahas apa insinyur pengetahuan lakukan. Meskipun berbagai gaya dan metode pengetahuan teknik ada, pendekatan dasar adalah sama: wawancara pengetahuan insinyur dan mengamati seorang ahli manusia atau sekelompok ahli dan belajar apa yang para ahli tahu, dan bagaimana mereka alasan dengan pengetahuan mereka. Para insinyur kemudian menerjemahkan pengetahuan ke dalam bahasa komputer yang dapat digunakan, dan desain mesin inferensi, struktur penalaran, yang menggunakan pengetahuan tepat. Ia juga menentukan bagaimana untuk mengintegrasikan penggunaan pengetahuan yang tidak menentu dalam proses penalaran, dan apa macam penjelasan akan berguna bagi pengguna akhir.

Selanjutnya, mesin inferensi dan fasilitas untuk mewakili pengetahuan dan untuk menjelaskan diprogram, dan pengetahuan domain dimasukkan ke dalam program sepotong demi sepotong. Ini mungkin bahwa mesin inferensi tidak hanya benar, bentuk representasi pengetahuan adalah aneh untuk jenis pengetahuan yang dibutuhkan untuk tugas tersebut, dan ahli mungkin memutuskan potongan-potongan pengetahuan adalah salah. Semua ini ditemukan dan dimodifikasi sebagai sistem pakar secara bertahap kompetensi keuntungan.

Penemuan dan penumpukan penalaran teknik mesin dan representasi pengetahuan umumnya karya penelitian kecerdasan buatan. Penemuan dan penumpukan pengetahuan dari domain tugas adalah provinsi dari pakar domain. Domain pengetahuan terdiri dari kedua pengetahuan, buku pelajaran formal, pengalaman dan pengetahuan – keahlian dari para ahli.
Tools, Kerang, dan Kerangka

Dibandingkan dengan variasi luas dalam pengetahuan domain, hanya sejumlah kecil metode AI diketahui yang berguna dalam sistem pakar. Artinya, saat ini hanya ada beberapa cara yang untuk mewakili pengetahuan, atau untuk membuat kesimpulan, atau untuk menghasilkan penjelasan. Dengan demikian, sistem dapat dibangun yang berisi metode-metode ini berguna tanpa pengetahuan domain-spesifik. Sistem seperti ini dikenal sebagai sistem tulang, kerang, atau hanya alat AI.

Membangun sistem pakar dengan kerang menggunakan menawarkan keuntungan yang signifikan. Sebuah sistem dapat dibangun untuk melakukan tugas yang unik dengan memasuki shell semua pengetahuan yang diperlukan tentang domain tugas. Mesin inferensi yang berlaku pengetahuan untuk tugas di tangan dibangun masuk ke shell. Jika program ini tidak terlalu rumit dan jika ahli memiliki beberapa pelatihan dalam penggunaan shell, ahli bisa memasukkan pengetahuan sendiri.

kerang komersial Banyak tersedia saat ini, mulai ukuran dari kerang pada PC, untuk kerang pada workstation, untuk kerang di komputer mainframe besar. Mereka berkisar harga dari ratusan hingga puluhan ribu dolar, dan berbagai kompleksitas dari yang sederhana, dirantai ke depan, sistem berbasis aturan yang membutuhkan dua hari pelatihan bagi mereka begitu rumit sehingga hanya insinyur pengetahuan yang sangat terlatih dapat menggunakannya untuk keuntungan. Mulai dari kerang umum bertujuan untuk kerang disesuaikan dengan kebutuhan ke kelas tugas, seperti perencanaan keuangan atau kontrol proses real-time.

Meskipun kerang mempermudah pemrograman, pada umumnya mereka tidak membantu dengan akuisisi pengetahuan. Pengetahuan akuisisi mengacu pada tugas menganugrahkan begitu sistem pakar dengan pengetahuan, tugas yang saat ini dilakukan oleh para insinyur pengetahuan. Pemilihan metode penalaran, atau shell, adalah penting, tetapi tidak sepenting akumulasi pengetahuan berkualitas tinggi. Kekuatan sistem pakar terletak di toko nya pengetahuan tentang domain tugas – pengetahuan lebih sistem diberikan, semakin kompeten menjadi.
Batu bata dan Mortar

Hipotesis kerja dasar dari AI adalah bahwa perilaku cerdas dapat tepat digambarkan sebagai manipulasi simbol dan dapat dimodelkan dengan simbol kemampuan pemrosesan komputer.

Pada akhir 1950-an, bahasa pemrograman khusus ditemukan sehingga memudahkan manipulasi simbol. Yang paling menonjol adalah disebut LISP (LIST Processing). Karena keanggunan sederhana dan fleksibilitas, kebanyakan AI program penelitian yang ditulis dalam LISP, tapi aplikasi komersial sudah pindah dari LISP.

Pada awal 1970-an bahasa pemrograman lain AI ditemukan di Perancis. Hal ini disebut PROLOG (pemrograman logika). LISP berakar pada satu bidang matematika (kalkulus lambda), PROLOG di lain (kalkulus predikat orde pertama).

PROLOG terdiri dari laporan Inggris-seperti yang fakta (asersi), aturan (dari inferensi), dan pertanyaan. Berikut adalah aturan inferensi: “. Jika objek-x adalah bagian-obyek-y kemudian komponen-objek-y adalah obyek-x”

Program ditulis dalam PROLOG memiliki perilaku yang mirip dengan sistem berbasis aturan ditulis dalam LISP. PROLOG, bagaimanapun, tidak segera menjadi bahasa pilihan untuk programmer AI. Pada awal 1980-an itu diberikan dorongan dengan pengumuman oleh orang Jepang bahwa mereka akan menggunakan bahasa logika pemrograman untuk Generasi Kelima Computing Systems (FGCS) Proyek. Berbagai bahasa pemrograman berbasis logika sudah ada, dan Prolog istilah telah menjadi generik.