Knowledge engineering er et sæt metoder, modeller og teknikker, der har til formål at skabe systemer designet til at finde løsninger på problemer baseret på eksisterende viden. Faktisk forstås dette udtryk som metodologi, teori og teknologi, der dækker metoder til analyse, udvinding, bearbejdning og præsentation af viden.
Essensen af kunstig intelligens ligger i den videnskabelige analyse og automatisering af intellektuelle funktioner, der er iboende i mennesket. Samtidig er kompleksiteten af deres maskinimplementering fælles for de fleste problemer. Studiet af AI gjorde det muligt at sikre sig, at bag løsningen af problemer ligger behovet for ekspertviden, det vil sige skabelsen af et system, der ikke kun kan huske, men også analysere og bruge ekspertviden i fremtiden; den kan bruges til praktiske formål.
Begrebets historie
Vidensteknik og udvikling af intelligente informationssystemer, især ekspertsystemer, er tæt forbundet.
På Stanford University i USA i 60-70'erne, under ledelse af E. Feigenbaum, enDENDRAL system, lidt senere - MYCIN. Begge systemer har fået titlen ekspert på grund af deres evne til at akkumulere i computerens hukommelse og bruge eksperternes viden til at løse problemer. Dette teknologiområde modtog udtrykket "vidensteknik" fra meddelelsen fra professor E. Feigenbaum, som blev skaberen af ekspertsystemer.
Approaches
Knowledge engineering er baseret på to tilgange: videntransformation og modelbygning.
- Transformation af viden. Processen med at ændre ekspertise og overgangen fra ekspertviden til dens softwareimplementering. Udviklingen af videnbaserede systemer blev bygget på det. Videnrepræsentationsformat - regler. Ulemperne er umuligheden af at repræsentere implicit viden og forskellige typer viden i en passende form, vanskeligheden ved at afspejle et stort antal regler.
- Byggemodeller. At bygge AI betragtes som en form for simulering; opbygning af en computermodel designet til at løse problemer inden for et bestemt område på lige fod med eksperter. Modellen er ikke i stand til at efterligne en eksperts aktivitet på det kognitive niveau, men den gør det muligt at opnå et lignende resultat.
Modeller og metoder til videnskonstruktion er rettet mod udvikling af computersystemer, hvis hovedformål er at indhente den viden, der er tilgængelig fra specialister og derefter organisere den til den mest effektive brug.
Kunstig intelligens, neurale netværk og maskinlæring: hvad er forskellen?
En af måderne at implementere kunstig intelligens på er neuralnetværk.
Machine learning er et område inden for AI-udvikling, der sigter mod at studere metoder til at bygge selvlærende algoritmer. Behovet for dette opstår i mangel af en klar løsning på et specifikt problem. I en sådan situation er det mere rentabelt at udvikle en mekanisme, der kan skabe en metode til at finde en løsning, frem for at lede efter den.
Det almindeligt anvendte udtryk "dyb" ("dyb") læring henviser til maskinlæringsalgoritmer, der kræver en stor mængde computerressourcer for at fungere. Konceptet er i de fleste tilfælde forbundet med neurale netværk.
Der er to typer kunstig intelligens: snævert fokuseret eller svag og generel eller stærk. De svages handling er rettet mod at finde en løsning på en snæver liste af problemer. De mest fremtrædende repræsentanter for snævert fokuseret AI er stemmeassistenterne Google Assistant, Siri og Alice. I modsætning hertil gør stærke AI-evner det muligt at udføre næsten enhver menneskelig opgave. i dag betragtes kunstig generel intelligens som en utopi: dens implementering er umulig.
Maskinlæring
Machine learning refererer til de metoder inden for kunstig intelligens, der bruges til at skabe en maskine, der kan lære af erfaring. Læringsprocessen forstås som maskinens behandling af enorme dataarrays og søgningen efter mønstre i dem.
Begreberne Machine learning og Data science er på trods af deres lighed stadig forskellige og klarer hver deres opgaver. Begge instrumenter er inkluderet i den kunstigeintelligens.
Machine learning, som er en af AI-grenene, er algoritmer baseret på hvilke en computer er i stand til at drage konklusioner uden at overholde strengt fastsatte regler. Maskinen leder efter mønstre i komplekse opgaver med et stort antal parametre og finder mere præcise svar i modsætning til den menneskelige hjerne. Resultatet af metoden er en nøjagtig forudsigelse.
Datavidenskab
Videnskaben om, hvordan man analyserer data og udtrækker værdifuld viden og information fra dem (data mining). Den kommunikerer med maskinlæring og videnskaben om tænkning, med teknologier til at interagere med store mængder data. Data sciences arbejde giver dig mulighed for at analysere data og finde den rigtige tilgang til efterfølgende sortering, behandling, prøveudtagning og informationssøgning.
Der er f.eks. oplysninger om en virksomheds finansielle omkostninger og oplysninger om modparter, der kun er forbundet med tidspunktet og datoen for transaktioner og mellemliggende bankdata. Dybde maskinanalyse af mellemliggende data giver dig mulighed for at bestemme den dyreste modpart.
Neurale netværk
Neurale netværk, som ikke er et separat værktøj, men en af typerne af maskinlæring, er i stand til at simulere arbejdet i den menneskelige hjerne ved hjælp af kunstige neuroner. Deres handling er rettet mod at løse opgaven og selvlære baseret på erfaringer med at minimere fejl.
Maskinlæringsmål
Hovedmålet med maskinlæring anses for at være delvis eller fuldstændig automatisering af søgningen efter løsninger til forskellige analytiskeopgaver. Af denne grund bør maskinlæring give de mest nøjagtige forudsigelser baseret på de modtagne data. Resultatet af maskinlæring er forudsigelse og memorering af resultatet med mulighed for efterfølgende reproduktion og udvælgelse af en af de bedste muligheder.
Typer af maskinlæring
Klassificering af læring baseret på en lærers tilstedeværelse forekommer i tre kategorier:
- Med læreren. Bruges, når brugen af viden involverer at lære maskinen at genkende signaler og objekter.
- Uden en lærer. Funktionsprincippet er baseret på algoritmer, der registrerer ligheder og forskelle mellem objekter, anomalier og derefter genkender, hvilke af dem der anses for at være forskellige eller usædvanlige.
- Med forstærkninger. Bruges, når en maskine skal udføre opgaver korrekt i et miljø med mange mulige løsninger.
I henhold til den anvendte type algoritmer er de opdelt i:
- Klassisk læring. Læringsalgoritmer udviklet for mere end et halvt århundrede siden for statistiske kontorer og omhyggeligt studeret over tid. Bruges til at løse problemer relateret til arbejde med data.
- Dyb læring og neurale netværk. Moderne tilgang til maskinlæring. Neurale netværk bruges, når generering eller genkendelse af videoer og billeder, maskinoversættelse, komplekse beslutningstagnings- og analyseprocesser er påkrævet.
I vidensteknik er ensembler af modeller mulige, der kombinerer flere forskellige tilgange.
Fordelene ved maskinlæring
Med en kompetent kombination af forskellige typer og algoritmer for maskinlæring er det muligt at automatisere rutinemæssige forretningsprocesser. Den kreative del - at forhandle, indgå kontrakter, udarbejde og eksekvere strategier - er overladt til folk. Denne opdeling er vigtig, fordi en person, i modsætning til en maskine, er i stand til at tænke ud af boksen.
Problemer med at skabe AI
I forbindelse med at skabe kunstig intelligens er der to problemer med at skabe kunstig intelligens:
- Legimiteten af at anerkende en person som en selvorganiserende bevidsthed og fri vilje og følgelig for at anerkende kunstig intelligens som rimelig, kræves det samme;
- Sammenligning af kunstig intelligens med det menneskelige sind og dets evner, som ikke tager hensyn til alle systemers individuelle karakteristika og indebærer deres diskrimination på grund af deres aktiviteters meningsløshed.
Problemerne med at skabe kunstig intelligens ligger blandt andet i dannelsen af billeder og figurativ hukommelse. Figurative kæder hos mennesker dannes associativt, i modsætning til driften af en maskine; i modsætning til det menneskelige sind søger en computer efter specifikke mapper og filer og vælger ikke kæder af associative links. Kunstig intelligens i vidensteknologi bruger en bestemt database i sit arbejde og er ikke i stand til at eksperimentere.
Det andet problem er at lære sprog til maskinen. Oversættelse af tekst ved hjælp af oversættelsesprogrammer udføres ofte automatisk, og det endelige resultat repræsenteres af et sæt ord. For korrekt oversættelsekræver forståelse af sætningens betydning, hvilket er svært for AI at implementere.
Manglen på manifestation af viljen til kunstig intelligens betragtes også som et problem på vejen til dens skabelse. Kort sagt har computeren ingen personlige ønsker, i modsætning til kraften og evnen til at udføre komplekse beregninger.
Moderne kunstig intelligens-systemer har ingen incitamenter til yderligere eksistens og forbedring. De fleste AI'er er kun motiveret af en menneskelig opgave og behovet for at fuldføre den. I teorien kan dette påvirkes ved at skabe en feedback mellem en computer og en person og forbedre computerens selvlærende system.
Primitivitet af kunstigt skabte neurale netværk. I dag har de fordele, der er identiske med den menneskelige hjerne: de lærer baseret på personlig erfaring, de er i stand til at drage konklusioner og udtrække det vigtigste fra den modtagne information. Samtidig er intelligente systemer ikke i stand til at duplikere alle den menneskelige hjernes funktioner. Den intelligens, der er iboende i moderne neurale netværk, overstiger ikke et dyrs intelligens.
Minimumseffektivitet af AI til militære formål. Skaberne af kunstig intelligens-baserede robotter står over for problemet med AI's manglende evne til selv at lære, automatisk genkende og korrekt analysere den modtagne information i re altid.
