The post has been translated automatically. Original language: Russian
Today, artificial intelligence brings us back to a topic that was important in the early history of AI: expert knowledge.
Before the advent of modern large language models, there was already a whole class of systems that tried to solve professional problems based on the knowledge of specialists. They were called expert systems.
The idea was simple:
- There is an expert;
- the expert has professional experience;
- this experience can be recorded in the knowledge base.;
- A computer can apply this knowledge to a specific situation.;
- The user gets not just an answer, but a decision based on expert logic.
Expert systems were actively developing in the 1970s and 1980s. They have been used in medicine, engineering, equipment diagnostics, configuration of complex computer systems, technical support, and other fields.
They were not a universal intelligence. Their strength lay elsewhere: they worked well within a limited subject area where the expert's knowledge could be described and applied to repetitive situations.
How the old expert systems worked
The classical expert system usually consisted of several parts:
- knowledge base;
- The withdrawal mechanism;
- User interface;
- explanation module;
- Sometimes it's a knowledge replenishment module.
The knowledge base contained facts, rules, limitations, exceptions, and professional solutions.
The inference engine applied this knowledge to a new situation and tried to get a conclusion.
The interface allowed the user to describe the problem.
The explanation module showed why the system came to this conclusion.
This was an important difference from the usual program. A regular program executes a predefined algorithm. The expert system tried to simulate the course of a specialist's reasoning within a specific field.
For example, an experienced engineer, accountant, doctor, lawyer, or developer does not solve a problem from scratch every time. He remembers:
- similar cases;
- past decisions;
- rules;
- exceptions;
- limitations;
- consequences of mistakes;
- internal standards;
- practical experience.
The expert system tried to transfer this logic to the computer.
Peter Jackson and the Engineering View of Expert Systems
Peter Jackson's book “Introduction to Expert Systems” is a good bridge between the old school of AI and modern AI products.
It considers expert systems not as magic or as universal artificial intelligence, but as an engineering discipline.
The main idea of this approach is:
- there is a limited subject area;
- There is an expert who understands this area.;
- There is knowledge that can be fixed;
- There is a mechanism that can use this knowledge.;
- There is a user who needs help making a decision.
This is a very important thought.
The expert system does not try to know everything. It works within a specific field and relies on knowledge that has been collected, structured, and recognized as useful in advance.
That is why the old expert systems were strong where there were recurring professional situations.:
- diagnostics;
- Hardware setup;
- Technical support;
- the medicine;
- engineering solutions;
- Legal rules;
- management procedures;
- corporate regulations.
The problem was not the very idea of the expert system.
The problem was the implementation method.
Previously, knowledge had to be manually transformed into formal rules. This often required a separate specialist, a knowledge engineer. He had to take the expert's experience and translate it into machine form.
It was difficult for several reasons:
- An expert may not always be able to explain his experience clearly;
- Many decisions are based on context.;
- The rules quickly become outdated;
- There are contradictions between the rules;
- It becomes difficult to maintain a large rule base;
- any new area requires a long manual setup.
This was called the knowledge extraction bottleneck.
The idea itself was strong, but the tools of the time were too rigid.
What has changed with the advent of modern AI models
Modern big language models have changed the situation.
Now AI can work with natural language. He can read, explain, compare, generalize, translate, make connections, and reason.
This removes some of the old problem.
It is no longer necessary for an expert to describe everything in the form of formal rules. He can capture the experience in a more natural way.:
- articles;
- Instructions;
- decisions;
- use cases;
- Explanations;
- limitations;
- exceptions;
- answers to standard questions;
- internal rules;
- architectural solutions;
- business processes.
AI can use such materials as context for reasoning.
But a new problem is emerging.
The large language model itself does not know which knowledge within the company is the most important, relevant and allowed for use.
She can reason beautifully, but without the right foundation.
That's why the main question doesn't sound like that anymore.:
How can I replace an expert with artificial intelligence?
And so:
How can we turn the expert's knowledge into a canonical layer on which AI can safely reason?
Why regular RAG is not enough
Today, many companies are trying to connect AI to their documents through RAG.
It usually looks like this:
- the company uploads the documents;
- documents are divided into fragments;
- the system searches for similar pieces of text;
- The AI builds a response based on the fragments it finds.
This is a useful approach. It allows the model to work not only from its shared memory, but also with corporate materials.
But there is a limitation to this approach.
If the initial knowledge is chaotic, then AI works with chaos.
The company often has:
- old instructions;
- new instructions;
- drafts;
- PDF files;
- correspondence;
- outdated solutions;
- conflicting documents;
- informal arrangements;
- forgotten regulations;
- files without an owner;
- documents without date or status.
RAG can find the text, but he doesn't always understand what is the most important, relevant and proven knowledge.
The problem is not only in the search.
The problem is that the knowledge base itself is often not canonical.
An AI should not reason based on a randomly found fragment. He must reason according to the knowledge that the person has recognized as correct.
Canonical knowledge
Canonical knowledge is not just a document.
This is knowledge that can be trusted within a specific organization or subject area.
Such knowledge must have signs:
- it is verified by a human;
- It has a clear meaning.;
- it relates to a specific topic;
- It's relevant;
- it does not contradict the newer solutions;
- it has a place in the general structure of knowledge.;
- it can be used as the basis for the answer.;
- if necessary, it can be replaced with a new version.
Canonical knowledge differs from the usual archive.
The archive stores everything.
The canonical database stores what you can rely on.
This is an important difference.
AI does not need access to all company files. He needs access to knowledge that is recognized as correct and suitable for reasoning.
Noda as the canonical layer of knowledge
Noda is created around this very idea.
Noda is not just a knowledge base or just a document RAG.
Noda is a platform for creating a canonical layer of knowledge that AI can use as a source of truth.
In Noda, knowledge should not be a chaotic archive, but a verified article, solution, instruction, or use case.
A person captures knowledge in a pure form.
The system helps to structure it:
- heading;
- Short description;
- categories;
- tags;
- communications;
- relevance status;
- replacing outdated knowledge;
- connection with other materials.
The AI gets access not to random files, but to a prepared expert context.
Thus, Noda occupies an intermediate place between the old expert system and the modern LLM.
class="paragraph"> The old expert system was too rigid: everything had to be turned into rules.An ordinary LLM is too free: it can reason beautifully, but without a solid foundation.
Regular RAG is too chaotic: it searches through documents, but it does not guarantee that the document it finds is the main and relevant one.
Noda adds the missing layer:
canonical knowledge as a product.
AI + canonical knowledge = precedent-based reasoning
The main formula of Noda is simple:
AI + canonical knowledge = reasoning based on precedents.
Precedent is not just a legal term.
In a broad sense, a precedent is already a fixed experience.:
- how did the company solve a similar problem;
- what rule was applied?;
- What were the exceptions?;
- Why was this decision made?;
- what restrictions should be considered?;
- what knowledge is outdated;
- what was it replaced with?;
- which conclusion is considered correct now.
This is how strong specialists work.
They don't just recall information. They compare a new situation with past experiences and apply proven logic.
For a lawyer, these can be:
- positions on contracts;
- typical risks;
- controversial wording;
- judicial logic;
- the company's internal standards;
- acceptable and unacceptable conditions.
For an accountant:
- rules of registration of documents;
- exceptions;
- deadlines;
- typical scenarios;
- requirements for primary documents;
- reconciliation procedure;
- common mistakes.
For the developer:
- architectural solutions;
- API contracts;
- internal agreements;
- reasons for technical solutions;
- error history;
- correction methods;
- safety rules.
For the support service:
- verified answers;
- Company policy;
- communication scenarios;
- limitations;
- typical customer problems;
- instructions for escalation.
In all cases, the value is not created by the model itself.
The value is created by the bundle:
expert → canonical knowledge → AI reasoning → verifiable answer.
Use cases instead of hallucinations
When the AI responds unsupported, it generates a plausible text.
When AI responds through a chaotic search, it depends on the quality of the fragments found.
When an AI responds through a canonical knowledge base, it gets the opportunity to build on use cases.
This is changing the role of AI.
It becomes not just a text generator, but an interface to expert experience.
The user can not only get an answer, but also understand:
- what knowledge is it based on;
- Why was this conclusion made?;
- what are the limitations of the answer?;
- what similar cases have already been described?;
- which knowledge is considered relevant.
This is especially important for business.
In business, it's not enough for AI to just sound convincing. It is important that it is based on proven knowledge.
The new role of the expert
In the old model, the expert had to transfer knowledge to the knowledge engineer, who turned it into rules.
In the new model, the expert can form canonical knowledge in natural language himself.
This changes the role of the expert.
An expert becomes more than just a person who answers questions. He becomes the owner of the knowledge layer, on which AI can then work.
His task:
- record important decisions;
- explain the logic;
- describe exceptions;
- update outdated knowledge;
- link similar cases;
- separating the main from the secondary;
- turn experience into a reusable asset.
AI in such a system does not replace an expert.
He scales his knowledge.
One expert cannot respond to all clients, employees, or developers at the same time.
But if his knowledge is fixed in the canonical database, AI can help other people use this experience.
Why is this becoming important right now?
Now many companies think that the main asset in AI is the model itself.
But the models will become more and more accessible.
Companies will be able to use different options:
- OpenAI;
- Anthropic;
- Google;
- open-source models;
- local models;
- specialized models.
But the company's expertise cannot simply be bought.
They need to be:
- to collect;
- clear;
- structure;
- check;
- update;
- link them together;
- make them suitable for AI.
This is where a new product category appears.
Not just a database of documents.
Not just a corporate chatbot.
Not just a PDF search.
It's a platform where knowledge becomes a manageable asset.
Noda as a product
Noda is being created as a platform for experts and teams who want to use AI not on top of chaos, but on top of proven knowledge.
Her goal is to help turn knowledge into an AI-ready product.
This means that knowledge must be:
- understandable to humans;
- structured for the system;
- accessible to AI;
- relevant;
- related to each other;
- suitable for reasoning;
- time-controlled.
Noda can be considered as a modern AI-native expert system.
But instead of strict rules, she uses canonical knowledge in natural language.
Instead of a separate knowledge engineer, there is an expert himself and AI tools.
Instead of a closed output mechanism, there is a modern language model that works with a prepared context.
Instead of a chaotic archive, there is a managed layer of knowledge.
What does this give companies
This approach can be useful where the company depends on expert experience.
For example:
- legal advice;
- Accounting rules;
- Technical documentation;
- Customer support;
- internal regulations;
- employee training;
- product knowledge;
- architecture of software systems;
- industry guidelines;
- repetitive professional decisions.
The company gets more than just a chatbot.
It gets a way to preserve and scale expert knowledge.
This is especially important when:
- The expert is overwhelmed with questions;
- knowledge lives in correspondence;
- new employees take a long time to get into the context;
- Old decisions are forgotten;
- the documents contradict each other;
- clients ask similar questions.;
- AI is already being used, but there is no trust in its answers.
Conclusion
The history of expert systems is not over. She just moved on to a new level.
Previously, we tried to manually record expert knowledge in the form of rules.
Today, we can capture knowledge in natural language, structure it, link it together, and give AI access to it as a source of truth.
This is changing the very role of artificial intelligence.
AI is becoming more than just a text generator.
It becomes an interface to the expert experience.
And the main task of the company is not only to connect the model, but also to create canonical knowledge on which this model has the right to reason.
This is exactly the task that Noda solves.
Noda turns expert knowledge into an AI-ready product.
Сегодня искусственный интеллект снова возвращает нас к теме, которая была важна ещё в ранней истории ИИ: экспертные знания.
До появления современных больших языковых моделей уже существовал целый класс систем, которые пытались решать профессиональные задачи на основе знаний специалистов. Их называли экспертными системами.
Идея была простой:
- есть эксперт;
- у эксперта есть профессиональный опыт;
- этот опыт можно записать в базу знаний;
- компьютер может применять эти знания к конкретной ситуации;
- пользователь получает не просто ответ, а решение, основанное на экспертной логике.
Экспертные системы активно развивались в 1970–1980-е годы. Их использовали в медицине, инженерии, диагностике оборудования, конфигурации сложных компьютерных систем, технической поддержке и других областях.
Они не были универсальным интеллектом. Их сила была в другом: они хорошо работали внутри ограниченной предметной области, где знания эксперта можно было описать и применить к повторяющимся ситуациям.
Как работали старые экспертные системы
Классическая экспертная система обычно состояла из нескольких частей:
- база знаний;
- механизм вывода;
- интерфейс пользователя;
- модуль объяснения;
- иногда — модуль пополнения знаний.
База знаний хранила факты, правила, ограничения, исключения и профессиональные решения.
Механизм вывода применял эти знания к новой ситуации и пытался получить заключение.
Интерфейс позволял пользователю описать проблему.
Модуль объяснения показывал, почему система пришла именно к такому выводу.
Это было важное отличие от обычной программы. Обычная программа выполняет заранее заданный алгоритм. Экспертная система пыталась имитировать ход рассуждений специалиста внутри конкретной области.
Например, опытный инженер, бухгалтер, врач, юрист или разработчик не каждый раз решает задачу с нуля. Он вспоминает:
- похожие случаи;
- прошлые решения;
- правила;
- исключения;
- ограничения;
- последствия ошибок;
- внутренние стандарты;
- практический опыт.
Экспертная система пыталась перенести эту логику в компьютер.
Питер Джексон и инженерный взгляд на экспертные системы
Хороший мост между старой школой ИИ и современными AI-продуктами — книга Питера Джексона “Introduction to Expert Systems”.
В ней экспертные системы рассматриваются не как магия и не как универсальный искусственный интеллект, а как инженерная дисциплина.
Главная идея такого подхода:
- есть ограниченная предметная область;
- есть эксперт, который понимает эту область;
- есть знания, которые можно зафиксировать;
- есть механизм, который может использовать эти знания;
- есть пользователь, которому нужно помочь принять решение.
Это очень важная мысль.
Экспертная система не пытается знать всё. Она работает внутри конкретной области и опирается на знания, которые были заранее собраны, структурированы и признаны полезными.
Именно поэтому старые экспертные системы были сильны там, где существовали повторяющиеся профессиональные ситуации:
- диагностика;
- настройка оборудования;
- техническая поддержка;
- медицина;
- инженерные решения;
- юридические правила;
- управленческие процедуры;
- корпоративные регламенты.
Проблема была не в самой идее экспертной системы.
Проблема была в способе реализации.
Раньше знания нужно было вручную превращать в формальные правила. Для этого часто требовался отдельный специалист — knowledge engineer. Он должен был взять опыт эксперта и перевести его в машинную форму.
Это было сложно по нескольким причинам:
- эксперт не всегда может чётко объяснить свой опыт;
- многие решения основаны на контексте;
- правила быстро устаревают;
- между правилами появляются противоречия;
- поддерживать большую базу правил становится трудно;
- любая новая область требует долгой ручной настройки.
Это называли узким местом извлечения знаний.
Сама идея была сильной, но инструменты того времени были слишком жёсткими.
Что изменилось с появлением современных ИИ-моделей
Современные большие языковые модели изменили ситуацию.
Теперь ИИ умеет работать с естественным языком. Он может читать, объяснять, сравнивать, обобщать, переводить, находить связи и строить рассуждения.
Это снимает часть старой проблемы.
Эксперту уже не обязательно описывать всё в виде формальных правил. Он может фиксировать опыт в более естественной форме:
- статьи;
- инструкции;
- решения;
- прецеденты;
- объяснения;
- ограничения;
- исключения;
- ответы на типовые вопросы;
- внутренние правила;
- архитектурные решения;
- бизнес-процессы.
ИИ может использовать такие материалы как контекст для рассуждений.
Но появляется новая проблема.
Большая языковая модель сама по себе не знает, какие знания внутри компании являются главными, актуальными и разрешёнными для использования.
Она может красиво рассуждать, но без правильного основания.
Поэтому главный вопрос сегодня звучит уже не так:
Как заменить эксперта искусственным интеллектом?
А так:
Как превратить знания эксперта в канонический слой, на котором ИИ может безопасно рассуждать?
Почему обычного RAG недостаточно
Сегодня многие компании пытаются подключить ИИ к своим документам через RAG.
Обычно это выглядит так:
- компания загружает документы;
- документы разбиваются на фрагменты;
- система ищет похожие куски текста;
- ИИ строит ответ на основе найденных фрагментов.
Это полезный подход. Он позволяет модели работать не только из своей общей памяти, но и с корпоративными материалами.
Но у такого подхода есть ограничение.
Если исходные знания хаотичны, то и ИИ работает с хаосом.
В компании часто есть:
- старые инструкции;
- новые инструкции;
- черновики;
- PDF-файлы;
- переписки;
- устаревшие решения;
- противоречивые документы;
- неофициальные договорённости;
- забытые регламенты;
- файлы без владельца;
- документы без даты и статуса.
RAG может найти текст, но он не всегда понимает, что из этого является главным, актуальным и проверенным знанием.
Проблема не только в поиске.
Проблема в том, что сама база знаний часто не является канонической.
ИИ не должен рассуждать по случайно найденному фрагменту. Он должен рассуждать по знанию, которое человек признал правильным.
Канонические знания
Каноническое знание — это не просто документ.
Это знание, которому можно доверять внутри конкретной организации или предметной области.
У такого знания должны быть признаки:
- оно проверено человеком;
- у него есть понятный смысл;
- оно относится к конкретной теме;
- оно актуально;
- оно не противоречит более новым решениям;
- у него есть место в общей структуре знаний;
- его можно использовать как основание для ответа;
- при необходимости его можно заменить новой версией.
Канонические знания отличаются от обычного архива.
Архив хранит всё.
Каноническая база хранит то, на что можно опираться.
Это важное различие.
ИИ не нужен доступ ко всем файлам компании. Ему нужен доступ к тем знаниям, которые признаны правильными и пригодными для рассуждения.
Noda как канонический слой знаний
Noda создаётся именно вокруг этой идеи.
Noda — это не просто база знаний и не просто RAG над документами.
Noda — это платформа для создания канонического слоя знаний, который ИИ может использовать как источник правды.
В Noda знание должно быть не хаотичным архивом, а проверенной статьёй, решением, инструкцией или прецедентом.
Человек фиксирует знание в чистой форме.
Система помогает структурировать его:
- заголовок;
- краткое описание;
- категории;
- теги;
- связи;
- статус актуальности;
- замена устаревших знаний;
- связь с другими материалами.
ИИ получает доступ не к случайным файлам, а к подготовленному экспертному контексту.
Так Noda занимает промежуточное место между старой экспертной системой и современным LLM.
Старая экспертная система была слишком жёсткой: всё нужно было превращать в правила.
Обычный LLM слишком свободный: он может красиво рассуждать, но без твёрдого основания.
Обычный RAG слишком хаотичный: он ищет по документам, но не гарантирует, что найденный документ является главным и актуальным.
Noda добавляет недостающий слой:
каноническое знание как продукт.
ИИ + канонические знания = рассуждения на основе прецедентов
Главная формула Noda простая:
ИИ + канонические знания = рассуждения, основанные на прецедентах.
Прецедент — это не только юридический термин.
В широком смысле прецедент — это уже зафиксированный опыт:
- как компания решала похожую задачу;
- какое правило применялось;
- какие были исключения;
- почему было принято именно такое решение;
- какие ограничения нужно учитывать;
- какое знание устарело;
- чем оно было заменено;
- какой вывод считается правильным сейчас.
Именно так работают сильные специалисты.
Они не просто вспоминают информацию. Они сравнивают новую ситуацию с прошлым опытом и применяют проверенную логику.
Для юриста это могут быть:
- позиции по договорам;
- типовые риски;
- спорные формулировки;
- судебная логика;
- внутренние стандарты компании;
- допустимые и недопустимые условия.
Для бухгалтера:
- правила оформления документов;
- исключения;
- сроки;
- типовые сценарии;
- требования к первичным документам;
- порядок сверки;
- частые ошибки.
Для разработчика:
- архитектурные решения;
- API-контракты;
- внутренние соглашения;
- причины технических решений;
- история ошибок;
- способы исправления;
- правила по безопасности.
Для службы поддержки:
- проверенные ответы;
- политика компании;
- сценарии общения;
- ограничения;
- типовые проблемы клиентов;
- инструкции по эскалации.
Во всех случаях ценность создаёт не сама модель.
Ценность создаёт связка:
эксперт → каноническое знание → ИИ-рассуждение → проверяемый ответ.
Прецеденты вместо галлюцинаций
Когда ИИ отвечает без опоры, он генерирует вероятный текст.
Когда ИИ отвечает через хаотичный поиск, он зависит от качества найденных фрагментов.
Когда ИИ отвечает через каноническую базу знаний, он получает возможность опираться на прецеденты.
Это меняет роль ИИ.
Он становится не просто генератором текста, а интерфейсом к экспертному опыту.
Пользователь может не только получить ответ, но и понять:
- на каком знании он основан;
- почему был сделан такой вывод;
- какие ограничения есть у ответа;
- какие похожие случаи уже были описаны;
- какое знание считается актуальным.
Это особенно важно для бизнеса.
В бизнесе недостаточно, чтобы ИИ просто звучал убедительно. Важно, чтобы он опирался на проверенное знание.
Новая роль эксперта
В старой модели эксперт должен был передавать знания инженеру по знаниям, а тот превращал их в правила.
В новой модели эксперт может сам формировать канонические знания в естественном языке.
Это меняет роль эксперта.
Эксперт становится не только человеком, который отвечает на вопросы. Он становится владельцем слоя знаний, на котором потом может работать ИИ.
Его задача:
- фиксировать важные решения;
- объяснять логику;
- описывать исключения;
- обновлять устаревшие знания;
- связывать похожие случаи;
- отделять главное от второстепенного;
- превращать опыт в повторно используемый актив.
ИИ в такой системе не заменяет эксперта.
Он масштабирует его знания.
Один эксперт не может отвечать всем клиентам, сотрудникам или разработчикам одновременно.
Но если его знания зафиксированы в канонической базе, ИИ может помогать другим людям использовать этот опыт.
Почему это становится важно именно сейчас
Сейчас многие компании думают, что главный актив в ИИ — это сама модель.
Но модели будут становиться всё доступнее.
Компании смогут использовать разные варианты:
- OpenAI;
- Anthropic;
- Google;
- open-source модели;
- локальные модели;
- специализированные модели.
Но экспертные знания компании нельзя просто купить.
Их нужно:
- собрать;
- очистить;
- структурировать;
- проверить;
- обновлять;
- связать между собой;
- сделать пригодными для ИИ.
Именно здесь появляется новая категория продуктов.
Не просто база документов.
Не просто корпоративный чат-бот.
Не просто поиск по PDF.
А платформа, где знания становятся управляемым активом.
Noda как продукт
Noda создаётся как платформа для экспертов и команд, которые хотят использовать ИИ не поверх хаоса, а поверх проверенных знаний.
Её задача — помочь превратить знания в AI-ready продукт.
Это значит, что знания должны быть:
- понятными для человека;
- структурированными для системы;
- доступными для ИИ;
- актуальными;
- связанными между собой;
- пригодными для рассуждений;
- управляемыми во времени.
Noda можно рассматривать как современную AI-native экспертную систему.
Но вместо жёстких правил она использует канонические знания на естественном языке.
Вместо отдельного knowledge engineer — сам эксперт и ИИ-инструменты.
Вместо закрытого механизма вывода — современная языковая модель, которая работает с подготовленным контекстом.
Вместо хаотичного архива — управляемый слой знаний.
Что это даёт компаниям
Такой подход может быть полезен там, где компания зависит от экспертного опыта.
Например:
- юридические консультации;
- бухгалтерские правила;
- техническая документация;
- поддержка клиентов;
- внутренние регламенты;
- обучение сотрудников;
- продуктовые знания;
- архитектура программных систем;
- отраслевые инструкции;
- повторяющиеся профессиональные решения.
Компания получает не просто чат-бота.
Она получает способ сохранить и масштабировать экспертное знание.
Это особенно важно, когда:
- эксперт перегружен вопросами;
- знания живут в переписках;
- новые сотрудники долго входят в контекст;
- старые решения забываются;
- документы противоречат друг другу;
- клиенты задают похожие вопросы;
- ИИ уже используется, но нет доверия к его ответам.
Вывод
История экспертных систем не закончилась. Она просто перешла на новый уровень.
Раньше мы пытались вручную записывать экспертные знания в виде правил.
Сегодня мы можем фиксировать знания естественным языком, структурировать их, связывать между собой и давать ИИ доступ к ним как к источнику правды.
Это меняет саму роль искусственного интеллекта.
ИИ становится не просто генератором текста.
Он становится интерфейсом к экспертному опыту.
А главная задача компании — не только подключить модель, но и создать канонические знания, на которых эта модель имеет право рассуждать.
Именно эту задачу решает Noda.
Noda превращает экспертные знания в AI-ready продукт.
Share
