圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜知識工程 (Knowledge Engineering) 是什麼教學封面
🎙️ 日野遼開場廣播：揭開 AI 的大腦外科手術——知識工程
上一集我們介紹了把人類專家變成死板說明書的「專家系統」。但你一定很好奇，要怎麼把一個在工廠做了一輩子的老師傅腦袋裡的「直覺」，變成電腦看得懂的程式碼呢？「嘿，各位聽眾朋友們，歡迎來到白話實驗室！我是日野遼。」
這就像是要把一位天才大廚的「少許鹽、憑感覺」翻譯成精確的化學方程式一樣困難！
今天，我們就要來開箱這門專門幫 AI「打造大腦」的神奇技術——「知識工程」！
準備好揭開它神秘的面紗了嗎？這裡是白話實驗室——Let’s go！
📌 名詞解碼：知識工程 (Knowledge Engineering)
- 英文名稱： Knowledge Engineering (縮寫：KE)
- 一句話定義： 將人類專家的知識、經驗與直覺，有系統地萃取、整理並轉化為電腦可理解與處理的數位格式的一門工程科學。
❓ 這是什麼？
如果「專家系統」是 AI 的大腦，那「知識工程」就是打造這個大腦的「腦部外科手術」。
知識工程師就像是科技界的採訪記者兼翻譯官，他們負責去挖出各領域專家（如醫生、律師、工程師）腦袋裡的知識，甚至連專家自己都沒意識到的「直覺經驗」，將它們梳理成精準的邏輯規則（例如 IF-THEN），最後建構成 AI 能夠運作的知識庫。
🧠 白話解釋
想像你要教一個完全不會煮飯的機器人做「阿嬤的滷肉」。
你問阿嬤怎麼煮，阿嬤說：「醬油憑感覺倒，火候看顏色差不多就關掉。」
機器人根本聽不懂什麼叫「憑感覺」跟「差不多」。
這時候，就需要「知識工程師」出場。
他們會拿著量杯和碼表站在阿嬤旁邊，把「憑感覺」翻譯成「50 毫升醬油」，把「看顏色」翻譯成「燉煮 45 分鐘呈現深咖啡色」。
這個把人類模糊經驗變成精確指令的過程，就是知識工程！
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜知識工程解析漫畫
💡 記住這一句就好：
把專家的「憑感覺」，翻譯成電腦看得懂的「神級說明書」！
🎬 白話小劇場｜墨星 × 宙猩的實驗室日常
🦍 宙猩： （拿著筆記本抓頭）所以知識工程師每天的工作，就是一直訪問專家，然後打字記錄下來嗎？聽起來好像記者的工作！
🐈 墨星： （甩了一下尾巴）沒那麼簡單。人類專家通常知道怎麼做，但「講不清楚」為什麼這麼做。這叫做「隱性知識」。
🦍 宙猩： 隱性知識？就像我剝香蕉一秒鐘就能剝好，但我不知道怎麼教機器人剝一樣？
🐈 墨星： 沒錯。所以知識工程師不只要會問問題，還要懂邏輯學跟認知心理學，想辦法把你的「肌肉記憶」拆解成一步一步的物理動作參數。
🦍 宙猩： 哇塞！要把人腦裡的東西全部挖出來翻譯成程式碼，這工作也太累了吧！
🐈 墨星： 完全正確。這個過程極度耗時、昂貴又容易出錯，被稱為「知識獲取瓶頸」，也是當年專家系統最終走向沒落的最大原因。
💡 核心功能與應用場景
核心三大功能：
- 知識獲取（Knowledge Acquisition）： 透過訪談、觀察或數據挖掘，從人類專家身上萃取知識。
- 知識表示（Knowledge Representation）： 將模糊的人類經驗轉化為電腦可讀的格式（如邏輯規則、語意網路）。
- 知識庫建置與維護（Knowledge Base Construction）： 建立系統化儲存知識的資料庫，並確保持續更新與除錯。
📊 技術應用場景
- 醫療輔助診斷： 將名醫的看診經驗轉化為臨床決策支援系統。
- 智能客服與聊天機器人： 建構企業內部的常見問題與應對邏輯知識庫。
- 知識圖譜建立： Google 搜尋引擎用來理解關鍵字之間關聯的底層技術。
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜知識工程 應用情境
⚠️ 常見誤解與易混淆比較
- ❌ 以為只要把書本掃描進電腦就好： 知識工程的核心是擷取專家的「隱性知識（經驗與直覺）」，而不只是單純拷貝書本上的「顯性知識（法規、手冊）」。
- ❌ 以為現在已經不需要知識工程了： 雖然現在流行讓 AI 自己從數據中學習（機器學習），但在需要極高精確度、不可出錯的領域（如醫療、法律），結合知識工程的混合型 AI 依然非常重要。
🐈 墨星小提醒：
「現在很多 AI，開始把『神經網路』與『知識規則』重新結合，形成『神經符號 AI（Neuro-Symbolic AI）』。因為只靠深度學習，有時仍缺乏推理能力與可解釋性。」
🆚 易混淆比較：知識工程 vs. 特徵工程
準備 iPAS 考試時，這兩個「工程」最容易搞混！以下是它們的核心差異：
💡 一句話秒懂差異：
👉 知識工程： 人把腦中的經驗寫成規則給電腦
👉 特徵工程： 人把數據整理成機器好吸收的樣子
1. 核心目標
🤖 知識工程： 將「專家經驗與直覺」轉化為電腦可懂的邏輯規則。
🧠 特徵工程： 將「原始數據」轉換為機器學習模型更容易吸收的特徵變數。
2. 處理對象
🤖 知識工程： 人腦中的知識、判斷準則（隱性/顯性知識）。
🧠 特徵工程： 結構化或非結構化資料（如數值、文字、圖像的屬性）。
3. 運作方向
🤖 知識工程： Top-down (由上而下)：人定規則給機器。
🧠 特徵工程： Bottom-up (由下而上)：整理資料讓機器自己找規律。
4. 依賴要素
🤖 知識工程： 高度依賴「人類專家」的品質與訪談技巧。
🧠 特徵工程： 高度依賴「原始資料」的品質與統計/領域知識。
5. 最大挑戰
🤖 知識工程： 知識獲取瓶頸（專家很難把直覺說清楚）。
🧠 特徵工程： 耗時且需不斷試錯，找出最能提升模型準確率的特徵。
💡 小提醒：如果你正在準備 iPAS，一定要了解知識工程 vs. 特徵工程差異性！
👉 收藏這篇圖卡，考試遇到觀念辨析就不怕被選項騙了。
圖片來源：White-Lab 製作（AI 生成／Canva 設計）｜知識工程 vs. 特徵工程
⚙️ 運作原理 (How It Works)
1. 定義問題： 確定系統需要解決什麼特定領域的問題（例如：維修機台）。
2.知識獲取： 工程師與領域專家訪談，觀察他們實際決策的過程與直覺。
3.知識表示： 將專家的經驗轉化為電腦能懂的結構（如 If-Then 規則或決策樹）。
4. 測試與驗證： 將建好的知識庫讓系統跑跑看，並請專家驗證結果是否正確。
5.維護與更新： 隨著技術進步或法規改變，知識工程師需定期手動修改知識庫。
🎯 寫給準備 iPAS 考試的你
⚡ 狙擊雷達（考點提示）
- 名詞定義： 知識工程是將人類知識轉化為計算機可處理形式的過程。
- 發展瓶頸： 「知識獲取瓶頸 (Knowledge Acquisition Bottleneck)」是考試常客，也是專家系統難以大規模普及的致命傷。
- 知識的兩種型態： 「顯性知識（可寫下來的）」與「隱性知識（憑感覺、難言傳的）」的區別，知識工程最難的就是獲取隱性知識。
💊 考前速充膠囊
- 定義： 將人類專家的知識擷取並轉化為 AI 可讀格式的工程技術。
- 核心特徵： 依賴人工訪談、知識表示，旨在解決「如何把人腦知識塞進電腦」的問題。
- 考試重點： 熟記「知識獲取瓶頸」是其最大挑戰，並能區分顯性知識與隱性知識。
🔬 實驗室隨堂考
【選擇題】
在開發一個醫療專家系統時，團隊發現老醫師經常是「憑直覺」就能判斷病患的狀況，很難用具體的文字說出判斷標準。這種難以被具體化、文字化的經驗，在知識工程中被稱為什麼？
(A) 顯性知識 (Explicit Knowledge)
(B) 隱性知識 (Tacit Knowledge)
(C) 深度學習模型 (Deep Learning Model)
(D) 符號邏輯 (Symbolic Logic)
【判斷題】
知識工程就是現代深度學習的核心技術，透過將大量的網際網路資料餵給神經網路，讓機器自動學會所有的知識。
(解答請見文章最底部)
📚 延伸知識與歷史背景
- ⭐ 難度標記： 基礎（這是理解傳統 AI 運作流程的最後一塊拼圖，能幫助理解為何後來 AI 界會轉向機器學習發展）
- 🔧 技術定位： 傳統人工智慧 / 知識表示與推理
- 🧱 先備概念： 專家系統 (Expert System)、人工智慧 (AI)
- 🔗 關聯概念： 知識圖譜 (Knowledge Graph)、本體論 (Ontology)、機器學習 (Machine Learning)
📖 歷史背景：
知識工程的概念由「專家系統之父」愛德華·費根鮑姆 (Edward Feigenbaum) 於 1977 年提出。
他認為 AI 的力量不在於通用的邏輯演算法，而在於特定領域的「知識」。
這項概念直接引爆了 80 年代開發專家系統的狂熱。
然而，由於人工擷取知識的成本過高（知識獲取瓶頸），這門學問在 90 年代一度沉寂。如今，它轉化為「知識圖譜」等形式，繼續在搜尋引擎與自然語言處理背後發揮關鍵作用。
📡 關於白話實驗室 White-Lab
- ☀️ 日野遼｜ 本所主持人，負責把 AI 從火星文翻譯成人話。
- 🐈 墨星｜ 冷靜理性的知識解構者，專門拆穿那些高深的科技迷思。
- 🦍 宙猩｜ 好奇心爆棚的初學者，總是替你問出那句：「這到底是什麼？」
🧱 你已解鎖第 9 塊 AI 金磚！
在這場 144 塊金磚的旅程中，你正在從「看不懂 AI」，走向「看懂世界的運作方式」。
📌 下一站預告： 📡 AI 名詞卡 #110 推理系統 (Inference System)
🧪 實驗室隨堂考解答
- 選擇題：(B) / 判斷題：(X)
- 解析： 選擇題中，憑直覺、難以言傳的經驗屬於隱性知識 (B)；判斷題錯誤，知識工程是透過「人工」萃取與梳理規則的技術，而深度學習是讓機器「自動」從數據找規律，兩者途徑完全不同。
🌌 White-Lab 星系導航站
迷路了嗎？這裡是 White-Lab 的總部。在這裡，你可以查看 144 塊 AI 金磚的全圖譜，以及所有已解鎖的名詞傳送門，讓你的學習路線不迷航。
👉 點我查看【White-Lab 創刊宣言】AI 入門必看：144 張 AI 名詞卡打造完整學習地圖
💡 墨星的防呆導航
知識如果沒有結構，就只是碎片。建議將這份「總目錄」加入書籤，未來每一個 AI 概念，都會在這裡串起來。
🐈 墨星：「你以為你在學 AI，其實你在學『如何看懂未來』。」
