Inženiring znanja. Umetna inteligenca. Strojno učenje

Inženiring znanja se nanaša na niz metod, modelov in tehnik, namenjenih oblikovanju sistemov za iskanje rešitev problemov na podlagi razpoložljivega znanja. Dejansko se izraz nanaša na metodologijo, teorijo in tehnologijo, ki vključuje metode analize, ekstrakcije, obdelave in predstavitev znanja.

Bistvo umetna inteligenca Je znanstvena analiza in avtomatizacija funkcij človeške inteligence. Večini težav je skupna zapletenost njihovega strojnega vgrajevanja. Študij umetne inteligence je jasno pokazal, da je za reševanje problemov potrebno ekspertno znanje, kar pomeni, da je treba ustvariti sistem, ki si ne more le zapomniti, temveč tudi analizirati in nato uporabiti ekspertno znanje; to se lahko uporabi na praktičen način.

Zgodovina izraza

Inženiring znanja in razvoj inteligentnih informacijskih sistemov, zlasti ekspertnih sistemov, sta tesno povezana.

Na Univerzi Stanford v ZDA so v 60. in 70. letih pod vodstvom E. Sistem DENDRAL je razvil Feigenbaum, malo pozneje pa še MYCIN. Oba sistema sta bila označena kot ekspertna sistema zaradi njune zmožnosti kopičenja v računalniškem pomnilniku in uporabe za reševanje problemov strokovnjaki za znanje. To področje inženirstva je dobilo izraz "inženiring znanja" iz predpostavke profesorja E. Feigenbaum, ki je postal ustvarjalec ekspertnih sistemov.

Pristopi

Inženiring znanja temelji na dveh pristopih: preoblikovanju znanja in oblikovanju modelov.

1. Preoblikovanje znanja. Proces spreminjanja strokovnega znanja in prehod od strokovnega znanja k njegovi programski implementaciji. To je bila podlaga za razvoj sistemov, ki temeljijo na znanju. Oblika predstavitve znanja - pravila. Slabosti so nezmožnost predstavitve tihega znanja in različnih vrst znanja v ustrezni obliki, težave pri izražanju velikega števila pravil.
2. Izdelava modela. Ustvarjanje umetne inteligence se šteje za obliko modeliranja; izdelava računalniškega modela, namenjenega reševanju problemov na določenem področju enakovredno strokovnjakom. Model na kognitivni ravni ne more simulirati dejavnosti strokovnjaka, vendar daje podobne rezultate.

Modeli in metode inženiringa znanja so namenjeni razvoju računalniških sistemov, katerih glavni namen je pridobivanje obstoječega strokovnega znanja in njegova nadaljnja organizacija za čim bolj učinkovito uporabo.

Umetna inteligenca, nevronske mreže in strojno učenje: kakšna je razlika?

Eden od načinov izvajanja umetne inteligence je nevronska mreža.

Strojno učenje je področje razvoja umetne inteligence, namenjeno preučevanju metod gradnje algoritmov za samostojno učenje. Pojavi se potreba v odsotnosti jasna rešitev določenega problema. V takem primeru je ugodneje razviti mehanizem, ki lahko ustvari metodo za iskanje rešitve, namesto da bi jo iskal.

Pod pogosto uporabljenim izrazom "globoko" ("poglobljeno") učenje vključuje algoritme strojnega učenja, delati za ki zahtevajo veliko računalniških virov. Koncept, ki je v večini primerov povezan z nevronskimi omrežji.

Ločimo dve vrsti umetne inteligence: ozko ali šibko in splošno ali močno. Šibka dejavnost je usmerjena v iskanje rešitev za ozek seznam problemov. Najpomembnejši predstavniki visoko usmerjene umetne inteligence so glasovni pomočniki Google Assistant, Siri in Alice. Zmogljivosti močne umetne inteligence pa ji omogočajo, da opravi skoraj vsako človeško nalogo. splošna umetna inteligenca do danes velja za utopično: njena izvedba je nemogoča.

Strojno učenje

Strojno učenje se nanaša na tehnike na področju umetne inteligence, ki se uporabljajo za ustvarjanje stroja, sposobnega učenja na podlagi lastnih izkušenj. Strojno učenje pomeni strojno obdelavo velikih količin podatkov in iskanje vzorcev v teh podatkih.

Strojno učenje in podatkovna znanost sta si sicer podobna, vendar se razlikujeta in imata vsak svoj namen. Obe orodji sta del umetne inteligence.

Strojno učenje, ki je ena od vej umetne inteligence - algoritmi, na podlagi katerih lahko računalnik sprejema sklepe, ki ne sledijo strogo določenim pravilom. Stroj v nasprotju s človeškimi možgani išče vzorce v zapletenih nalogah z veliko parametri in tako najde natančnejše odgovore. Metoda omogoča natančne napovedi.

Podatkovna znanost

Podatkovno rudarjenje je znanost o analiziranju podatkov ter pridobivanju dragocenega znanja in informacij iz njih. Komunicira s strojnim učenjem in znanostjo o razmišljanju, s tehnologijami za interakcijo z velikimi količinami podatkov. Podatkovna znanost analizira podatke in išče pravi pristop za razvrščanje, obdelavo, vzorčenje in pridobivanje informacij.

Na primer, obstajajo informacije o finančnih izdatkih podjetja in informacije o nasprotni stranki, ki so povezane le s časom in datumom transakcije in vmesni bančni podatki. Poglobljena strojna analiza vmesnih podatkov omogoča določitev najdražje nasprotne stranke.

Nevronske mreže

Nevronske mreže, ki niso ločeno orodje, temveč vrsta strojnega učenja, lahko z umetnimi nevroni simulirajo človeške možgane. Njihovo delovanje je usmerjeno v reševanje nalog in samoučenje na podlagi pridobljenih izkušenj, pri čemer je število napak čim manjše.

Cilji strojnega učenja

Glavni namen strojnega učenja je delna ali popolna avtomatizacija iskanja rešitev za različne analitične probleme. Zato mora strojno učenje na podlagi prejetih podatkov pripraviti čim natančnejše napovedi. Strojno učenje omogoča napovedovanje in zapomnitev rezultata z možnostjo kasnejše reprodukcije in izbire ene od najboljših možnosti.

Vrste strojnega učenja

Učenje, ki ga razvršča učitelj, se deli na tri kategorije:

1. Z učiteljem. Uporablja se, kadar uporaba znanja vključuje učenje stroja, da prepozna signale in predmete.
2. Brez učitelja. Načelo delovanja temelji na algoritmih, ki zaznavajo podobnosti in razlike predmetov, nepravilnosti, ki jim sledi prepoznavanje tistega, kar velja za drugačno ali nenavadno.
3. Z okrepitvijo. Uporablja se, če mora stroj pravilno izvajati naloge v zunanjem okolju z veliko možnimi rešitvami.

Glede na vrsto uporabljenih algoritmov se delijo na:

1. Klasično učenje. Algoritmi za učenje, ki so jih pred več kot pol stoletja razvili za statistične urade in so bili skozi čas obsežno proučevani. Uporablja se za naloge obdelave podatkov.
2. Globoko učenje in nevronske mreže. Sodoben pristop k strojnemu učenju. Nevronske mreže se uporabljajo pri ustvarjanju ali prepoznavanju videoposnetkov in slik, strojnem prevajanju, zapletenih procesih odločanja in analize.

V inženirstvu znanja so možne zbirke modelov, ki združujejo več različnih pristopov.

Prednosti strojnega učenja

S pravo kombinacijo različnih vrst in algoritmov strojnega učenja je mogoče avtomatizirati rutinske poslovne procese. Ustvarjalni del - pogajanja, sklepanje pogodb, oblikovanje in izvajanje strategij - je prepuščen ljudem. Ta razlika ni nepomembna, saj so ljudje za razliko od strojev sposobni razmišljati izven okvirov.

Izzivi ustvarjanja umetne inteligence

Pri ustvarjanju umetne inteligence obstajata dva izziva:

• Veljavnost priznavanja človeških bitij kot samoorganizirajoče se zavesti in svobodne volje, zato je enako potrebno za priznavanje umetne inteligence kot inteligentne;
• Primerjava umetne inteligence s človeškim umom in njegovimi sposobnostmi, ki ne upošteva individualnih značilnosti vseh sistemov in pomeni njihovo razlikovanje.

Težave pri ustvarjanju umetne inteligence se skrivajo tudi v oblikovanju podob in pomnilnika podob. Človeške slikovne verige se v nasprotju s strojnim delom oblikujejo asociativno; v nasprotju s človeškim umom računalnik išče določene mape in datoteke, namesto da bi izbral verige asociativnih povezav. Umetna inteligenca v inženirstvu znanja pri svojem delu uporablja določeno podatkovno zbirko in ne more eksperimentirati.

Druga težava so jeziki strojnega učenja. Prevajanje besedila s prevajalsko programsko opremo je pogosto samodejno, končni rezultat pa predstavlja niz besed. Za pravilen prevod je treba razumeti pomen stavka, kar umetna inteligenca težko izvede.

Pomanjkanje volje pri umetni inteligenci se prav tako kaže kot težava na poti do njenega nastanka. Preprosto povedano, računalnik nima osebnih želja, v nasprotju z močjo in sposobnostjo izvajanja zapletenih izračunov.

Sodobni sistemi umetne inteligence nimajo nobene spodbude za nadaljnji obstoj in izboljšanje. Večino umetne inteligence motivira le naloga, ki jo določi človek, in potreba po njeni izvedbi. Teoretično bi na to lahko vplivali z vzpostavitvijo povratne zanke med računalnikom in človekom ter izboljšanjem sistema samoučenja računalnika.

Primitivnost umetno ustvarjenih nevronskih omrežij. Zaenkrat imajo enake prednosti kot človeški možgani: učijo se iz osebnih izkušenj, lahko sklepajo in iz prejetih informacij izluščijo najpomembnejše. Vendar inteligentni sistemi ne morejo podvajati vseh funkcij človeških možganov. Inteligenca današnjih nevronskih omrežij ni nič boljša od inteligence živali.

Minimalna učinkovitost umetne inteligence v vojaške namene. Ustvarjalci robotskih strojev, ki temeljijo na umetni inteligenci, se soočajo s težavo, da se umetna inteligenca ne more učiti, samodejno prepoznati in pravilno analizirati informacij, ki jih prejema v realnem času.