知识密集型过程的理解：一个石油和天然气行业的场景
内容提要
该文综述了人工智能中意义建构与叙事的研究进展，涵盖人机协作解释模型、知识图谱降噪、符号因果理论、Apperception引擎、Sensecape交互系统、语义交互框架3MSI及SICK对话摘要框架，旨在提升AI对信息的理解与解释能力。
延伸解读
从理论到实践：意义建构与叙事的应用
文章综述了意义建构与叙事在人工智能中的研究进展，并展示了多个具体应用系统，如Sensecape交互系统、3MSI语义交互框架和SICK对话摘要框架。这些系统分别针对非线性信息探索、故事地图建模和对话总结等任务，体现了理论向实践转化的趋势。读者可关注这些系统如何提升AI对信息的理解与解释能力。
知识图谱与符号因果：提升AI理解能力的技术路径
文章提到基于知识图谱的方法可缓解事件日志中的噪声和不完整信息，帮助流程分析师理解可变性；符号因果理论则用于无监督程序综合，通过Apperception引擎实现感官序列建模，并在多个领域优于神经网络。这些技术路径为AI理解复杂场景提供了新思路，但实际部署仍需考虑领域适应性。
人机协作与解释性AI的设计准则
文章强调基于Weick理解框架的设计准则，如身份背景、社交环境、环境线索等，以指导Sensible AI的设计，从而理解人类认知的细微差别。此外，通用模型支持智能分析师与知识代理协作，通过生成解释性假设、发现证据和测试假设来应对各种情况。这提示未来AI系统需更注重人机协作与可解释性。
Q&A
什么是意义建构（Sensemaking）和叙事（narrative）？它们在AI中有什么作用？
意义建构和叙事是人类理解世界的两个概念。在AI中，它们被用来增强视觉叙事解决方案，帮助智能分析师和基于知识的代理之间的协作，通过生成解释性假设、发现相关证据，及基于模型测试假设，从而使代理能够理解和应对各种情况。
如何设计具有解释性的AI系统以理解人类认知？
可以基于Weick的理解框架，强调解释面向的对象，并提供具体特征如身份背景、社交环境、环境线索等指导Sensible AI设计的设计准则，以理解人类认知的细微差别为前提构建AI的解释性。
知识图谱如何帮助处理事件日志中的噪声和不完整信息？
基于知识图谱的方法可以缓解事件日志中的噪声/不完整信息对流程分析技术的影响，并帮助流程分析师理解与事件日志相关的可变性。
符号因果理论如何用于无监督程序综合中的感官序列理解？
通过构建符号因果理论，对感官序列进行统一建模，并设计Apperception引擎来实现该模型，在各个领域验证了其能力，表现优于神经网络。
Sensecape交互系统如何支持大型语言模型在非线性信息任务中的应用？
Sensecape通过多层次抽象和允许用户在搜索和意义理解之间无缝切换来支持LLM，增强了用户探索更多主题和分层次结构知识的能力，并对LLM工作流和信息任务的界面提出了启示。
SICK框架如何利用常识知识改进对话摘要？
SICK框架使用常识推理作为额外上下文，注入常识知识后，生成的总结比现有方法更具信息性和一致性，比先前仅依赖于输入对话的工作更具优势。
