Knowledge engineering er et sett med metoder, modeller og teknikker rettet mot å lage systemer designet for å finne løsninger på problemer basert på eksisterende kunnskap. Faktisk er dette begrepet forstått som metodikk, teori og teknologi, og dekker metoder for analyse, utvinning, prosessering og presentasjon av kunnskap.
Kjernen til kunstig intelligens ligger i den vitenskapelige analysen og automatiseringen av intellektuelle funksjoner som er iboende i mennesket. Samtidig er kompleksiteten i maskinimplementeringen deres felles for de fleste problemer. Studiet av AI gjorde det mulig å forsikre seg om at bak løsningen av problemer ligger behovet for ekspertkunnskap, det vil si å lage et system som ikke bare kan huske, men også analysere og bruke ekspertkunnskap i fremtiden; den kan brukes til praktiske formål.
Begrepets historie
Kunnskapsteknikk og utvikling av intelligente informasjonssystemer, spesielt ekspertsystemer, er nært beslektet.
Ved Stanford University i USA på 60-70-tallet, under ledelse av E. Feigenbaum, enDENDRAL-system, litt senere - MYCIN. Begge systemene har fått tittelen ekspert på grunn av deres evne til å akkumulere i dataminne og bruke kunnskapen til eksperter til å løse problemer. Dette teknologiområdet mottok begrepet "kunnskapsteknikk" fra budskapet til professor E. Feigenbaum, som ble skaperen av ekspertsystemer.
Tilnærminger
Kunnskapsteknikk er basert på to tilnærminger: kunnskapstransformasjon og modellbygging.
- Forvandling av kunnskap. Prosessen med å endre ekspertise og overgangen fra ekspertkunnskap til programvareimplementering. Utviklingen av kunnskapsbaserte systemer ble bygget på det. Kunnskapsrepresentasjonsformat - regler. Ulempene er umuligheten av å representere implisitt kunnskap og ulike typer kunnskap i en adekvat form, vanskeligheten med å reflektere et stort antall regler.
- Byggemodeller. Å bygge AI regnes som en type simulering; bygge en datamodell designet for å løse problemer i et bestemt område på lik linje med eksperter. Modellen er ikke i stand til å imitere aktiviteten til en ekspert på kognitivt nivå, men den gjør det mulig å oppnå et lignende resultat.
Modeller og metoder for kunnskapsteknologi er rettet mot utvikling av datasystemer, hvis hovedformål er å innhente kunnskapen som er tilgjengelig fra spesialister og deretter organisere den for den mest effektive bruken.
Kunstig intelligens, nevrale nettverk og maskinlæring: hva er forskjellen?
En av måtene å implementere kunstig intelligens på er nevralnettverk.
Maskinlæring er et område for AI-utvikling rettet mot å studere metoder for å bygge selvlærende algoritmer. Behovet for dette oppstår i mangel av en klar løsning på et spesifikt problem. I en slik situasjon er det mer lønnsomt å utvikle en mekanisme som kan skape en metode for å finne en løsning, fremfor å lete etter den.
Det ofte brukte begrepet "dyp" ("dyp") læring refererer til maskinlæringsalgoritmer som krever en stor mengde dataressurser for å fungere. Konseptet er i de fleste tilfeller assosiert med nevrale nettverk.
Det finnes to typer kunstig intelligens: snevert fokusert, eller svak, og generell eller sterk. De svakes handling er rettet mot å finne en løsning på en smal liste over problemer. De mest fremtredende representantene for snevert fokusert AI er stemmeassistentene Google Assistant, Siri og Alice. Derimot lar sterke AI-evner den utføre nesten alle menneskelige oppgaver. i dag regnes kunstig generell intelligens som en utopi: implementeringen er umulig.
Machine learning
Machine learning refererer til metodene innen kunstig intelligens som brukes for å lage en maskin som kan lære av erfaring. Læringsprosessen forstås som behandlingen av enorme datamatriser av maskinen og søket etter mønstre i dem.
Konseptene maskinlæring og datavitenskap er, til tross for likheten, fortsatt forskjellige og takler hver sine oppgaver. Begge instrumentene er inkludert i den kunstigeintelligens.
Maskinlæring, som er en av grenene til AI, er algoritmer basert på hvilke en datamaskin er i stand til å trekke konklusjoner uten å følge strengt fastsatte regler. Maskinen ser etter mønstre i komplekse oppgaver med et stort antall parametere, og finner mer nøyaktige svar, i motsetning til den menneskelige hjernen. Resultatet av metoden er en nøyaktig prediksjon.
Datavitenskap
Vitenskapen om hvordan man analyserer data og trekker ut verdifull kunnskap og informasjon fra dem (data mining). Den kommuniserer med maskinlæring og vitenskapen om tenkning, med teknologier for å samhandle med store datamengder. Arbeidet til Data science lar deg analysere data og finne den riktige tilnærmingen for påfølgende sortering, prosessering, prøvetaking og informasjonsinnhenting.
For eksempel er det informasjon om økonomiske utgifter til et foretak og informasjon om motparter som kun er sammenkoblet av tidspunkt og dato for transaksjoner og mellomliggende bankdata. Dyp maskinanalyse av mellomliggende data lar deg finne den mest kostbare motparten.
Nevrale nettverk
Nevrale nettverk, som ikke er et eget verktøy, men en av typene maskinlæring, er i stand til å simulere arbeidet til den menneskelige hjernen ved hjelp av kunstige nevroner. Handlingen deres er rettet mot å løse oppgaven og selvlæring basert på erfaring med å minimere feil.
Machine learning goals
Hovedmålet med maskinlæring anses å være delvis eller fullstendig automatisering av søket etter løsninger for ulike analytiskeoppgaver. Av denne grunn bør maskinlæring gi de mest nøyaktige spådommene basert på mottatte data. Resultatet av maskinlæring er prediksjon og memorering av resultatet med mulighet for påfølgende reproduksjon og valg av et av de beste alternativene.
Typer maskinlæring
Klassifisering av læring basert på tilstedeværelse av en lærer forekommer i tre kategorier:
- Med læreren. Brukes når bruk av kunnskap innebærer å lære maskinen å gjenkjenne signaler og objekter.
- Uten lærer. Operasjonsprinsippet er basert på algoritmer som oppdager likheter og forskjeller mellom objekter, anomalier, og deretter gjenkjenner hvilke av dem som anses som ulik eller uvanlig.
- Med forsterkninger. Brukes når en maskin skal utføre oppgaver riktig i et miljø med mange mulige løsninger.
I henhold til typen algoritmer som brukes, er de delt inn i:
- Klassisk læring. Læringsalgoritmer utviklet for mer enn et halvt århundre siden for statistiske kontorer og nøye studert over tid. Brukes til å løse problemer knyttet til arbeid med data.
- Dyp læring og nevrale nettverk. Moderne tilnærming til maskinlæring. Nevrale nettverk brukes når generering eller gjenkjenning av videoer og bilder, maskinoversettelse, komplekse beslutningsprosesser og analyseprosesser kreves.
I kunnskapsteknikk er ensembler av modeller mulig, som kombinerer flere forskjellige tilnærminger.
Fordelene med maskinlæring
Med en kompetent kombinasjon av ulike typer og algoritmer for maskinlæring er det mulig å automatisere rutinemessige forretningsprosesser. Den kreative delen – å forhandle, inngå kontrakter, utarbeide og gjennomføre strategier – er overlatt til folk. Denne inndelingen er viktig, fordi en person, i motsetning til en maskin, er i stand til å tenke utenfor boksen.
Problemer med å lage AI
I forbindelse med å lage AI, er det to problemer med å lage kunstig intelligens:
- Legitimiteten av å anerkjenne en person som en selvorganiserende bevissthet og fri vilje, og følgelig for å anerkjenne kunstig intelligens som rimelig, kreves det samme;
- Sammenligning av kunstig intelligens med det menneskelige sinn og dets evner, som ikke tar hensyn til de individuelle egenskapene til alle systemer og innebærer deres diskriminering på grunn av meningsløsheten til deres aktiviteter.
Problemene med å skape kunstig intelligens ligger blant annet i dannelsen av bilder og figurativ hukommelse. Figurative kjeder hos mennesker dannes assosiativt, i motsetning til driften av en maskin; i motsetning til menneskesinnet, søker en datamaskin etter bestemte mapper og filer, og velger ikke kjeder av assosiative lenker. Kunstig intelligens i kunnskapsteknikk bruker en spesifikk database i sitt arbeid og er ikke i stand til å eksperimentere.
Det andre problemet er å lære språk for maskinen. Oversettelse av tekst med oversettelsesprogrammer utføres ofte automatisk, og det endelige resultatet representeres av et sett med ord. For korrekt oversettelsekrever å forstå betydningen av setningen, som er vanskelig for AI å implementere.
Manglen på manifestasjon av viljen til kunstig intelligens anses også som et problem på veien til dens opprettelse. Enkelt sagt har datamaskinen ingen personlige ønsker, i motsetning til kraften og evnen til å utføre komplekse beregninger.
Moderne kunstig intelligens-systemer har ingen insentiver for ytterligere eksistens og forbedring. De fleste AI-er er kun motivert av en menneskelig oppgave og behovet for å fullføre den. I teorien kan dette påvirkes ved å skape en tilbakemelding mellom en datamaskin og en person og forbedre datamaskinens selvlærende system.
Primitiviteten til kunstig skapte nevrale nettverk. I dag har de fordeler som er identiske med den menneskelige hjernen: de lærer basert på personlig erfaring, de er i stand til å trekke konklusjoner og trekke ut det viktigste fra den mottatte informasjonen. Samtidig er ikke intelligente systemer i stand til å duplisere alle funksjonene til den menneskelige hjernen. Intelligensen som er iboende i moderne nevrale nettverk overskrider ikke intelligensen til et dyr.
Minimum effektivitet av AI for militære formål. Skaperne av kunstig intelligens-baserte roboter står overfor problemet med AIs manglende evne til å lære seg selv, automatisk gjenkjenne og korrekt analysere informasjonen som mottas i sanntid.
