Zināšanu inženierija ir metožu, modeļu un paņēmienu kopums, kuru mērķis ir izveidot sistēmas, kas izstrādātas, lai rastu risinājumus problēmām, pamatojoties uz esošajām zināšanām. Faktiski šis termins tiek saprasts kā metodoloģija, teorija un tehnoloģija, kas aptver zināšanu analīzes, ieguves, apstrādes un prezentācijas metodes.
Mākslīgā intelekta būtība slēpjas cilvēkam raksturīgo intelektuālo funkciju zinātniskā analīzē un automatizācijā. Tajā pašā laikā to mašīnu ieviešanas sarežģītība ir raksturīga lielākajai daļai problēmu. AI izpēte ļāva pārliecināties, ka aiz problēmu risināšanas slēpjas nepieciešamība pēc ekspertu zināšanām, tas ir, sistēmas izveide, kas spēj ne tikai iegaumēt, bet arī analizēt un izmantot ekspertu zināšanas nākotnē; to var izmantot praktiskiem mērķiem.
Termina vēsture
Zināšanu inženierija un viedo informācijas sistēmu, jo īpaši ekspertu sistēmu, izstrāde ir cieši saistītas.
Stenfordas universitātē ASV 60.-70. gados E. Feigenbauma vadībā a. DENDRAL sistēma, nedaudz vēlāk - MYCIN. Abas sistēmas saņēmušas eksperta titulu, jo spēj uzkrāties datora atmiņā un izmantot ekspertu zināšanas problēmu risināšanā. Šī tehnoloģiju joma saņēma terminu "zināšanu inženierija" no profesora E. Feigenbauma vēstījuma, kurš kļuva par ekspertu sistēmu radītāju.
Pieejas
Zināšanu inženierija balstās uz divām pieejām: zināšanu transformāciju un modeļu veidošanu.
- Zināšanu transformācija. Ekspertīzes maiņas process un pāreja no ekspertu zināšanām uz programmatūras ieviešanu. Uz zināšanām balstītu sistēmu izstrāde tika balstīta uz to. Zināšanu reprezentācijas formāts - noteikumi. Trūkumi ir neiespējamība atspoguļot netiešās zināšanas un dažāda veida zināšanas atbilstošā formā, grūtības atspoguļot lielu skaitu noteikumu.
- Ēku modeļi. AI veidošana tiek uzskatīta par simulācijas veidu; datormodeļa izveide, kas paredzēts, lai vienādi ar ekspertiem atrisinātu problēmas noteiktā jomā. Modelis nav spējīgs atdarināt eksperta darbību kognitīvā līmenī, bet ļauj iegūt līdzīgu rezultātu.
Zināšanu inženierijas modeļi un metodes ir vērsti uz datorsistēmu izstrādi, kuru galvenais mērķis ir iegūt no speciālistiem pieejamās zināšanas un pēc tam organizēt tās maksimāli efektīvai lietošanai.
Mākslīgais intelekts, neironu tīkli un mašīnmācīšanās: kāda ir atšķirība?
Viens no mākslīgā intelekta ieviešanas veidiem ir neironutīkls.
Mašīnmācība ir AI izstrādes joma, kuras mērķis ir pētīt pašmācības algoritmu veidošanas metodes. Nepieciešamība pēc tā rodas, ja konkrētai problēmai nav skaidra risinājuma. Šādā situācijā izdevīgāk ir izstrādāt mehānismu, kas spēj radīt metodi risinājuma atrašanai, nevis meklēt.
Bieži lietotais termins "dziļa" ("dziļa") mācīšanās attiecas uz mašīnmācīšanās algoritmiem, kuru darbībai ir nepieciešams liels daudzums skaitļošanas resursu. Šis jēdziens vairumā gadījumu ir saistīts ar neironu tīkliem.
Ir divu veidu mākslīgais intelekts: šauri fokusēts jeb vājš un vispārējs jeb spēcīgs. Vāja rīcība ir vērsta uz risinājuma atrašanu šauram problēmu sarakstam. Spilgtākie šauri fokusēta AI pārstāvji ir balss palīgi Google Assistant, Siri un Alise. Turpretim spēcīgās mākslīgā intelekta spējas ļauj tai veikt gandrīz jebkuru cilvēka uzdevumu. mūsdienās vispārējais mākslīgais intelekts tiek uzskatīts par utopiju: tā īstenošana nav iespējama.
Mašīnmācība
Mašīnmācība attiecas uz metodēm mākslīgā intelekta jomā, ko izmanto, lai izveidotu mašīnu, kas var mācīties no pieredzes. Mācību process tiek saprasts kā milzīgu datu masīvu apstrāde ar mašīnu un modeļu meklēšana tajos.
Mašīnmācības un datu zinātnes jēdzieni, neskatoties uz to līdzību, joprojām ir atšķirīgi un katrs tiek galā ar saviem uzdevumiem. Abi instrumenti ir iekļauti mākslīgajāinteliģence.
Mašīnmācība, kas ir viena no AI nozarēm, ir algoritmi, uz kuru pamata dators spēj izdarīt secinājumus, neievērojot stingri noteiktos noteikumus. Iekārta meklē modeļus sarežģītos uzdevumos ar lielu parametru skaitu, atšķirībā no cilvēka smadzenēm atrodot precīzākas atbildes. Metodes rezultāts ir precīza prognoze.
Datu zinātne
Zinātne par to, kā analizēt datus un iegūt no tiem vērtīgas zināšanas un informāciju (datu ieguve). Tas sazinās ar mašīnmācīšanos un domāšanas zinātni, ar tehnoloģijām mijiedarbībai ar lielu datu apjomu. Datu zinātnes darbs ļauj analizēt datus un atrast pareizo pieeju turpmākai šķirošanai, apstrādei, paraugu ņemšanai un informācijas izguvei.
Piemēram, ir informācija par uzņēmuma finanšu izdevumiem un informācija par darījuma partneriem, kurus savstarpēji saista tikai darījumu laiks un datums un starpbankas dati. Padziļināta starpposma datu mašīnas analīze ļauj noteikt visdārgāko darījuma partneri.
Neironu tīkli
Neironu tīkli, kas nav atsevišķs rīks, bet gan viens no mašīnmācīšanās veidiem, spēj simulēt cilvēka smadzeņu darbu, izmantojot mākslīgos neironus. Viņu darbība ir vērsta uz uzdevuma risināšanu un pašmācību, pamatojoties uz pieredzi, kas iegūta, samazinot kļūdas.
Mašīnmācības mērķi
Mašīnmācīšanās galvenais mērķis tiek uzskatīts par daļēju vai pilnīgu dažādu analītisko risinājumu meklēšanas automatizāciju.uzdevumus. Šī iemesla dēļ mašīnmācībai ir jāsniedz visprecīzākās prognozes, pamatojoties uz saņemtajiem datiem. Mašīnmācīšanās rezultāts ir rezultāta prognozēšana un iegaumēšana ar iespēju vēlāk reproducēt un izvēlēties vienu no labākajām iespējām.
Mašīnmācīšanās veidi
Mācību klasifikācija, pamatojoties uz skolotāja klātbūtni, notiek trīs kategorijās:
- Ar skolotāju. Izmanto, ja zināšanu izmantošana ietver mašīnas mācīšanu atpazīt signālus un objektus.
- Bez skolotāja. Darbības princips ir balstīts uz algoritmiem, kas nosaka objektu līdzības un atšķirības, anomālijas un pēc tam atpazīst, kurš no tiem tiek uzskatīts par nelīdzīgu vai neparastu.
- Ar pastiprinājumiem. Izmanto, ja iekārtai pareizi jāveic uzdevumi vidē ar daudziem iespējamiem risinājumiem.
Atbilstoši izmantoto algoritmu veidam tos iedala:
- Klasiskā mācīšanās. Mācīšanās algoritmi tika izstrādāti pirms vairāk nekā pusgadsimta statistikas birojiem un laika gaitā rūpīgi pētīti. Izmanto, lai atrisinātu problēmas, kas saistītas ar darbu ar datiem.
- Dziļa mācīšanās un neironu tīkli. Mūsdienīga pieeja mašīnmācībai. Neironu tīklus izmanto, ja ir nepieciešama video un attēlu ģenerēšana vai atpazīšana, mašīntulkošana, sarežģīti lēmumu pieņemšanas un analīzes procesi.
Zināšanu inženierijā ir iespējami modeļu ansambļi, kas apvieno vairākas dažādas pieejas.
Mašīnmācīšanās priekšrocības
Izmantojot kompetentu dažādu mašīnmācīšanās veidu un algoritmu kombināciju, ir iespējams automatizēt ikdienas biznesa procesus. Radošā daļa – sarunu vešana, līgumu slēgšana, stratēģiju sastādīšana un izpilde – ir atstāta cilvēku ziņā. Šis dalījums ir svarīgs, jo cilvēks atšķirībā no mašīnas spēj domāt ārpus rāmjiem.
Problēmas, veidojot AI
AI izveides kontekstā pastāv divas mākslīgā intelekta radīšanas problēmas:
- Cilvēka kā pašorganizējošas apziņas un brīvas gribas atzīšanas leģitimitāte un attiecīgi mākslīgā intelekta atzīšana par saprātīgu ir nepieciešama tā pati;
- Mākslīgā intelekta salīdzinājums ar cilvēka prātu un tā spējām, kas neņem vērā visu sistēmu individuālās īpašības un ietver to diskrimināciju to darbības bezjēdzīguma dēļ.
Mākslīgā intelekta radīšanas problēmas cita starpā slēpjas attēlu un tēlainās atmiņas veidošanā. Tēlainās ķēdes cilvēkos veidojas asociatīvi, atšķirībā no mašīnas darbības; Atšķirībā no cilvēka prāta dators meklē noteiktas mapes un failus un neizvēlas asociatīvo saišu ķēdes. Mākslīgais intelekts zināšanu inženierijā savā darbā izmanto konkrētu datubāzi un nespēj eksperimentēt.
Otra problēma ir valodu apguve mašīnai. Teksta tulkošana ar tulkošanas programmām bieži tiek veikta automātiski, un gala rezultātu attēlo vārdu kopa. Pareizam tulkojumamnepieciešama izpratne par teikuma nozīmi, ko AI ir grūti īstenot.
Mākslīgā intelekta gribas izpausmes trūkums arī tiek uzskatīts par problēmu ceļā uz tā radīšanu. Vienkārši sakot, datoram nav personisku vēlmju, pretstatā jaudai un spējai veikt sarežģītus aprēķinus.
Mūsdienu mākslīgā intelekta sistēmām nav stimulu turpmākai pastāvēšanai un uzlabošanai. Lielāko daļu AI motivē tikai cilvēka uzdevums un nepieciešamība to izpildīt. Teorētiski to var ietekmēt, veidojot atgriezenisko saiti starp datoru un cilvēku un uzlabojot datora pašmācības sistēmu.
Mākslīgi izveidoto neironu tīklu primitivitāte. Mūsdienās tiem ir priekšrocības, kas ir identiskas cilvēka smadzenēm: viņi mācās, balstoties uz personīgo pieredzi, spēj izdarīt secinājumus un no saņemtās informācijas izvilkt galveno. Tajā pašā laikā inteliģentās sistēmas nespēj dublēt visas cilvēka smadzeņu funkcijas. Mūsdienu neironu tīkliem piemītošais intelekts nepārsniedz dzīvnieka intelektu.
Minimālā mākslīgā intelekta efektivitāte militāriem nolūkiem. Uz mākslīgā intelekta balstītu robotu radītāji saskaras ar problēmu, ka AI nespēj pašam mācīties, automātiski atpazīt un pareizi analizēt saņemto informāciju reāllaikā.
