知识工程是人工智能（AI）的一个领域，它创建规则以应用于数据以模仿人类专家的思维过程。 它着眼于任务或决策的结构，以确定如何得出结论。 然后可以创建问题解决方法库和用于每种方法的附带知识，并将其用作要由系统诊断的问题。 然后，生成的软件可以独自或作为人工代理的辅助角色来协助诊断，排除故障和解决问题。
分解知识工程
知识工程试图将解决问题的人类专家的专长转移到一个程序中，该程序可以吸收相同的数据并得出相同的结论。 这种方法称为转移过程，它主导了早期的知识工程尝试。 它失宠了。 但是，正如科学家和程序员意识到的那样，人类在决策中使用的知识并不总是很明确。 尽管许多决定可以追溯到以前有关有效方法的经验，但是人类可以利用并行的知识库，这些知识库在逻辑上似乎并不总是与当前任务联系在一起。 首席执行官和明星投资者所说的某些直觉或直觉跃迁最好被描述为类似推理和非线性思维。 这些思维方式不适合直接，循序渐进的决策树，并且可能需要引入可能带来比实际价值更高的成本的数据源。
转移过程已被抛弃，转而支持建模过程。 知识工程不是尝试遵循决策的逐步过程，而是专注于创建一个系统，该系统将获得与专家相同的结果，而无需遵循相同的路径或使用相同的信息源。 这样就消除了一些追寻用于非线性思维的知识的问题，因为这样做的人们通常并不了解他们所获取的信息。 只要结论是可比较的，该模型就可以工作。 一旦模型始终接近人类专家，就可以对其进行完善。 错误的结论可以追溯和调试，并且可以鼓励创建等效或改进的结论的过程。
知识工程超过人类专家
知识工程已经集成到决策支持软件中。 专业知识工程师被用于推进类似于人类的功能的各个领域，其中包括机器识别人脸或解析人的意思的能力。 随着模型的复杂性增加，知识工程师可能无法完全理解如何得出结论。 最终，知识工程领域将从创建既能解决问题又能解决人类问题的系统到能够在数量上胜过人类的系统。 将这些知识工程模型与自然语言处理（NLP）和面部识别等其他功能结合在一起，人工智能可能是世界上最好的服务器，财务顾问或旅行社。
