Inżynieria wiedzy to zestaw metod, modeli i technik, których celem jest tworzenie systemów zaprojektowanych do znajdowania rozwiązań problemów w oparciu o istniejącą wiedzę. W rzeczywistości termin ten jest rozumiany jako metodologia, teoria i technologia, obejmująca metody analizy, ekstrakcji, przetwarzania i prezentacji wiedzy.
Istota sztucznej inteligencji tkwi w naukowej analizie i automatyzacji funkcji intelektualnych tkwiących w człowieku. Jednocześnie złożoność ich maszynowej implementacji jest wspólna dla większości problemów. Badanie AI pozwoliło upewnić się, że za rozwiązaniem problemów kryje się potrzeba wiedzy eksperckiej, czyli stworzenia systemu, który potrafi nie tylko zapamiętywać, ale także analizować i wykorzystywać wiedzę ekspercką w przyszłości; może być używany do celów praktycznych.
Historia terminu
Inżynieria wiedzy i rozwój inteligentnych systemów informatycznych, w szczególności systemów eksperckich, są ze sobą ściśle powiązane.
Na Uniwersytecie Stanforda w USA w latach 60-70, pod kierownictwem E. Feigenbauma,System DENDRAL, nieco później - MYCIN. Oba systemy otrzymały tytuł eksperta ze względu na ich zdolność do gromadzenia w pamięci komputera i wykorzystywania wiedzy ekspertów do rozwiązywania problemów. Ten obszar technologii otrzymał określenie „inżynieria wiedzy” z przesłania profesora E. Feigenbauma, który stał się twórcą systemów ekspertowych.
Podejścia
Inżynieria wiedzy opiera się na dwóch podejściach: transformacji wiedzy i budowaniu modeli.
- Transformacja wiedzy. Proces zmiany ekspertyzy i przejścia od wiedzy eksperckiej do jej wdrożenia oprogramowania. Na nim został zbudowany rozwój systemów opartych na wiedzy. Format reprezentacji wiedzy - zasady. Wady to niemożność przedstawienia wiedzy ukrytej i różnych rodzajów wiedzy w odpowiedniej formie, trudność w odzwierciedleniu dużej liczby reguł.
- Modele budynków. Budowanie sztucznej inteligencji jest uważane za rodzaj symulacji; budowanie modelu komputerowego przeznaczonego do rozwiązywania problemów w określonej dziedzinie na równych zasadach z ekspertami. Model nie jest w stanie naśladować aktywności eksperta na poziomie poznawczym, ale pozwala na uzyskanie podobnego wyniku.
Modele i metody inżynierii wiedzy mają na celu rozwój systemów komputerowych, których głównym celem jest pozyskanie wiedzy dostępnej od specjalistów, a następnie zorganizowanie jej w celu jak najefektywniejszego wykorzystania.
Sztuczna inteligencja, sieci neuronowe i uczenie maszynowe: jaka jest różnica?
Jeden ze sposobów wdrażania sztucznej inteligencji jest neuronowysieć.
Uczenie maszynowe to obszar rozwoju AI mający na celu poznanie metod budowania algorytmów samouczących się. Potrzeba tego pojawia się w przypadku braku jasnego rozwiązania konkretnego problemu. W takiej sytuacji bardziej opłaca się opracować mechanizm, który może stworzyć metodę na znalezienie rozwiązania, niż go szukać.
Powszechnie używany termin „głębokie” („głębokie”) uczenie odnosi się do algorytmów uczenia maszynowego, które do działania wymagają dużej ilości zasobów obliczeniowych. Koncepcja w większości przypadków związana jest z sieciami neuronowymi.
Istnieją dwa rodzaje sztucznej inteligencji: wąsko skoncentrowana lub słaba oraz ogólna lub silna. Działanie słabych ma na celu znalezienie rozwiązania wąskiej listy problemów. Najwybitniejszymi przedstawicielami wąsko skoncentrowanej sztucznej inteligencji są asystenci głosowi Google Assistant, Siri i Alice. W przeciwieństwie do tego, silne zdolności AI pozwalają mu wykonywać prawie każde ludzkie zadanie. dziś sztuczna inteligencja jest uważana za utopię: jej wdrożenie jest niemożliwe.
Uczenie maszynowe
Uczenie maszynowe odnosi się do metod z zakresu sztucznej inteligencji wykorzystywanych do tworzenia maszyny, która może uczyć się na podstawie doświadczenia. Proces uczenia się rozumiany jest jako przetwarzanie przez maszynę ogromnych tablic danych i poszukiwanie w nich wzorców.
Koncepcje uczenia maszynowego i nauki o danych, pomimo podobieństwa, są nadal różne i każda radzi sobie z własnymi zadaniami. Oba instrumenty wchodzą w skład sztucznejinteligencja.
Uczenie maszynowe, które jest jedną z gałęzi sztucznej inteligencji, to algorytmy, na podstawie których komputer jest w stanie wyciągać wnioski bez przestrzegania sztywno ustalonych reguł. Maszyna wyszukuje wzorce w złożonych zadaniach o dużej liczbie parametrów, znajdując dokładniejsze odpowiedzi, w przeciwieństwie do ludzkiego mózgu. Wynikiem metody jest dokładne przewidywanie.
Nauka o danych
Nauka o tym, jak analizować dane i wydobywać z nich cenną wiedzę i informacje (eksploracja danych). Komunikuje się z uczeniem maszynowym i nauką o myśleniu, z technologiami interakcji z dużymi ilościami danych. Praca Data science pozwala na analizę danych i znalezienie odpowiedniego podejścia do późniejszego sortowania, przetwarzania, pobierania próbek i wyszukiwania informacji.
Na przykład, istnieją informacje o kosztach finansowych przedsiębiorstwa oraz informacje o kontrahentach, którzy są ze sobą połączeni tylko według czasu i daty transakcji oraz pośrednich danych bankowych. Głęboka analiza maszynowa danych pośrednich pozwala na określenie najbardziej kosztownego kontrahenta.
Sieci neuronowe
Sieci neuronowe, nie będąc odrębnym narzędziem, ale jednym z rodzajów uczenia maszynowego, są w stanie symulować pracę ludzkiego mózgu za pomocą sztucznych neuronów. Ich działanie ma na celu rozwiązanie zadania i samokształcenie w oparciu o zdobyte doświadczenia z minimalizacją błędów.
Cele uczenia maszynowego
Głównym celem uczenia maszynowego jest częściowa lub całkowita automatyzacja poszukiwania rozwiązań do różnych analizzadania. Z tego powodu uczenie maszynowe powinno dawać najdokładniejsze prognozy na podstawie otrzymanych danych. Efektem uczenia maszynowego jest przewidywanie i zapamiętywanie wyniku z możliwością późniejszego odtworzenia i wyboru jednej z najlepszych opcji.
Rodzaje uczenia maszynowego
Klasyfikacja nauki na podstawie obecności nauczyciela odbywa się w trzech kategoriach:
- Z nauczycielem. Używane, gdy wykorzystanie wiedzy obejmuje nauczenie maszyny rozpoznawania sygnałów i obiektów.
- Bez nauczyciela. Zasada działania opiera się na algorytmach, które wykrywają podobieństwa i różnice między obiektami, anomaliami, a następnie rozpoznają, który z nich jest uważany za niepodobny lub nietypowy.
- Z wzmocnieniami. Używane, gdy maszyna musi poprawnie wykonywać zadania w środowisku z wieloma możliwymi rozwiązaniami.
W zależności od rodzaju stosowanych algorytmów są one podzielone na:
- Klasyczna nauka. Algorytmy uczenia się opracowane ponad pół wieku temu dla urzędów statystycznych i starannie badane z biegiem czasu. Służy do rozwiązywania problemów związanych z pracą z danymi.
- Głębokie uczenie i sieci neuronowe. Nowoczesne podejście do uczenia maszynowego. Sieci neuronowe są używane, gdy wymagane jest generowanie lub rozpoznawanie filmów i obrazów, tłumaczenie maszynowe, złożone procesy decyzyjne i analityczne.
W inżynierii wiedzy możliwe są zestawy modeli, łączące kilka różnych podejść.
Korzyści z uczenia maszynowego
Dzięki kompetentnemu połączeniu różnych typów i algorytmów uczenia maszynowego możliwa jest automatyzacja rutynowych procesów biznesowych. Część kreatywną – negocjowanie, zawieranie umów, opracowywanie i wykonywanie strategii – pozostawiamy ludziom. Ten podział jest ważny, ponieważ człowiek, w przeciwieństwie do maszyny, potrafi myśleć nieszablonowo.
Problemy z tworzeniem AI
W kontekście tworzenia sztucznej inteligencji istnieją dwa problemy związane z tworzeniem sztucznej inteligencji:
- Uzasadnienie uznania osoby za samoorganizującą się świadomość i wolną wolę, a zatem uznanie sztucznej inteligencji za rozsądną, jest wymagane;
- Porównanie sztucznej inteligencji z ludzkim umysłem i jego możliwościami, które nie uwzględnia indywidualnych cech wszystkich systemów i pociąga za sobą ich dyskryminację ze względu na bezsens ich działań.
Problemy tworzenia sztucznej inteligencji polegają między innymi na tworzeniu obrazów i pamięci figuratywnej. Symboliczne łańcuchy u ludzi tworzą się asocjacyjnie, w przeciwieństwie do działania maszyny; w przeciwieństwie do ludzkiego umysłu, komputer wyszukuje określone foldery i pliki, a nie wybiera łańcuchów łączy skojarzeniowych. Sztuczna inteligencja w inżynierii wiedzy wykorzystuje w swojej pracy konkretną bazę danych i nie jest w stanie eksperymentować.
Drugi problem to nauka języków na maszynie. Tłumaczenie tekstu przez programy tłumaczące często odbywa się automatycznie, a ostateczny wynik jest reprezentowany przez zestaw słów. Dla poprawnego tłumaczeniawymaga zrozumienia znaczenia zdania, co jest trudne do zaimplementowania przez sztuczną inteligencję.
Brak manifestacji woli sztucznej inteligencji jest również uważany za problem na drodze do jej powstania. Mówiąc najprościej, komputer nie ma osobistych pragnień, w przeciwieństwie do mocy i zdolności do wykonywania skomplikowanych obliczeń.
Nowoczesne systemy sztucznej inteligencji nie mają bodźców do dalszego istnienia i doskonalenia. Większość AI jest motywowana wyłącznie ludzkim zadaniem i potrzebą jego wykonania. Teoretycznie można na to wpłynąć, tworząc sprzężenie zwrotne między komputerem a osobą i ulepszając system samouczenia się komputera.
Prymitywność sztucznie stworzonych sieci neuronowych. Dziś mają zalety identyczne z ludzkim mózgiem: uczą się na podstawie osobistych doświadczeń, potrafią wyciągać wnioski i wyciągać najważniejsze z otrzymanych informacji. Jednocześnie inteligentne systemy nie są w stanie powielić wszystkich funkcji ludzkiego mózgu. Inteligencja tkwiąca we współczesnych sieciach neuronowych nie przekracza inteligencji zwierzęcia.
Minimalna skuteczność sztucznej inteligencji do celów wojskowych. Twórcy robotów opartych na sztucznej inteligencji borykają się z problemem niezdolności AI do samouczenia się, automatycznego rozpoznawania i poprawnej analizy otrzymywanych informacji w czasie rzeczywistym.
