Tacit Knowledge Extraction via Logic Augmented Generation and Active Inference
Dit artikel stelt een neuro-symbolisch raamwerk voor dat Logica-gestuurde Generatie en Actieve Inferentie combineert om taciete kennis te extraheren uit procedurale domeinen zoals de productie, waarbij impliciete expertise succesvol wordt omgezet in formele, door machines interpreteerbare kennisgrafieken met verbeterde volledigheid en semantische kwaliteit.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert een robot te leren hoe je een kapotte broodrooster repareert. Je zou een lijst met stappen kunnen opschrijven: "Haal de stekker eruit", "Maak de achterkant open", "Verwijder de schroef". Maar hier zit het probleem: een menselijke expert volgt niet zomaar een lijst. Ze vertrouwen op impliciete kennis—de dingen die ze weten maar nooit zeggen.
Bijvoorbeeld, de expert weet dat je de schroevendraaier onder een specifieke hoek moet vasthouden, moet voelen wanneer een schroef "voldoende vast" zit zonder te strak te draaien, of een specifieke pincet moet gebruiken om een klein veertje vast te houden. Ze zeggen deze dingen nooit in de video, omdat het voor hen vanzelfsprekend is. Maar voor een robot (of een computer) zijn deze ontbrekende details als onzichtbare muren die de reparatie stoppen.
Dit artikel introduceert een nieuw "neuro-symbolisch" kader (een chique manier om te zeggen dat het mensachtige AI combineert met strikte logische regels) om dit probleem op te lossen. Denk aan het als een tweestapsvertaler die rommelige, realistische reparatievideo's omzet in een perfect, machineleesbaar instructiehandboek.
De Tweestapsvertaler
Stap 1: De "Strikte Architect" (Logica-verrijkte Generatie)
Eerst treedt het systeem op als een strikte architect. Het heeft een blauwdruk (een Ontologie genoemd) die exact definieert hoe een reparatieproces beschreven moet worden. Het kan niet zomaar dingen verzinnen; het moet alles in de vakken van de blauwdruk passen.
- Hoe het werkt: De AI bekijkt de video (of leest het transcript) en probeert de blauwdruk in te vullen.
- Het Veiligheidsnet: Omdat de AI gedwongen wordt om zich aan de blauwdruk te houden, "hallucineert" het niet (verzonnen gereedschappen of stappen). Als de video zegt "losdraaien", weet de AI precies welk soort "losdraaiend" object het moet creëren.
- De Beperking: Deze stap is uitstekend in het vastleggen van wat expliciet wordt gezegd of getoond. Maar als de expert een gereedschap gebruikt zonder het te noemen, of als een stap voor een mens vanzelfsprekend is maar niet wordt uitgesproken, laat de Strikte Architect het weg. De blauwdruk is structureel perfect, maar mist de "geheime saus".
Stap 2: De "Sherlock Holmes" (Actieve Inferentie)
Hier komt het tweede deel van het systeem in beeld. Denk aan deze module als een detective die kijkt naar de onvolledige blauwdruk van de Strikte Architect en vraagt: "Wacht even... als je dit doet, moet je dat gebruiken."
- De Logica van de Detective: Het maakt gebruik van een concept genaamd Actieve Inferentie. In plaats van alleen de woorden te lezen, redeneert het over de "verborgen toestanden" van de situatie.
- Observatie: De video toont een persoon die een schroef vastdraait.
- Inferentie van Verboden Staat: "Je kunt een schroef niet met je blote handen vastdraaien. Daarom moet er een schroevendraaier zijn, zelfs als de camera er niet op gefocust was."
- Terugwinning van Impliciete Kennis: Het leidt de ontbrekende gereedschappen, de nodige waarschuwingen en de subtiele beperkingen af die experts voor lief nemen.
- Het Resultaat: De detective voegt deze "onzichtbare" details weer toe aan de blauwdruk, en markeert ze duidelijk als "geïnferreerd" zodat we weten dat het om onderbouwde gissingen op basis van ervaring gaat, en niet alleen om wat er te zien was.
Het Experiment: Elektronica Repareren
Om dit te testen, gebruikten de onderzoekers geen fabrieksassemblagelijnen (waarvoor data moeilijk te krijgen is). In plaats daarvan gebruikten ze iFixit-reparatievideo's (zoals het repareren van een iPhone of een Game Boy). Deze zijn perfect omdat ze bevatten:
- Kleine, delicate onderdelen.
- Specifieke gereedschappen.
- Strikte veiligheidsregels.
- Experts die dingen doen die ze niet altijd uitleggen.
Ze testten dit systeem op verschillende AI-modellen (sommigen die video's kunnen "zien", en anderen die alleen teksttranscripten lezen).
Wat Ze Vonden
- De Strikte Architect is Veilig: Wanneer de AI zich gewoon aan de regels hield, verzon het nooit valse gereedschappen. Als het zei dat een gereedschap werd gebruikt, stond het zeker in de video. Het miste echter veel gereedschappen die alleen geïmpliceerd waren.
- De Detective Vult de Gaten Op: Toen ze de stap "Actieve Inferentie" toevoegden, herinnerde het systeem zich plotseling alle ontbrekende gereedschappen en stappen.
- Voorbeeld: In een transcript zegt een stem misschien: "Zet de beugel terug." De Strikte Architect ziet geen gereedschap. De Detective zegt: "Je kunt een klein beugeltje niet met de hand terugzetten; je hebt pincet nodig." Het voegt de pincet toe aan de lijst met een notitie: "Geïnferreerd omdat kleine onderdelen meestal pincet nodig hebben."
- Video versus Tekst: AI-modellen die de video konden bekijken, deden het beter dan diegenen die alleen de tekst lazen, maar zelfs de videomodellen misten dingen die de "Detective"-logica kon opvangen.
- De Winnaar: De beste resultaten kwamen van een specifiek model (Gemini 2.5 Flash) dat de video's bekeek, gecombineerd met de Detective-logica. Het behaalde een bijna perfecte score in het identificeren van zowel gereedschappen als onderdelen.
Waarom Dit Belangrijk Is
Het artikel concludeert dat deze methode een enorme stap voorwaarts is voor Kennisoverdracht. Het stelt ons in staat om de "ongezegde wijsheid" van een expert om te zetten in een digitaal formaat dat computers kunnen begrijpen, controleren en gebruiken om anderen te leren.
De onderzoekers gebruiken dit momenteel in een project genaamd KnowledgeX om kennisoverdracht in de productie te helpen. Ze bouwen zelfs een Augmented Reality (AR)-systeem (zoals slimme brillen) dat een werknemer de "perfecte" machineleesbare instructies kan tonen die over het echte apparaat worden gelegd, zodat ze de impliciete stappen die meestal fouten veroorzaken, niet missen.
Kortom: Ze bouwden een systeem dat niet alleen luistert naar wat experts zeggen, maar begrijpt wat ze bedoelen, en de gaten opvult met logisch detectivewerk om een complete, waterdichte handleiding te creëren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.