Inženiring znanja je skupek metod, modelov in tehnik, namenjenih ustvarjanju sistemov, zasnovanih za iskanje rešitev problemov na podlagi obstoječega znanja. Pravzaprav se ta izraz razume kot metodologija, teorija in tehnologija, ki zajema metode analize, ekstrakcije, obdelave in predstavitve znanja.
Bistvo umetne inteligence je v znanstveni analizi in avtomatizaciji intelektualnih funkcij, ki so lastne človeku. Hkrati je kompleksnost njihove strojne izvedbe skupna večini težav. Študija umetne inteligence je omogočila, da se prepričamo, da se za reševanjem problemov skriva potreba po strokovnem znanju, torej ustvarjanju sistema, ki bo znal ne samo zapomniti, temveč tudi analizirati in uporabljati strokovno znanje v prihodnosti; lahko se uporablja za praktične namene.
Zgodovina izraza
Inženiring znanja in razvoj inteligentnih informacijskih sistemov, zlasti ekspertnih sistemov, sta tesno povezana.
Na univerzi Stanford v ZDA v 60-70-ih letih, pod vodstvom E. Feigenbauma,DENDRAL sistem, malo kasneje - MYCIN. Oba sistema sta dobila naziv strokovnjaka zaradi sposobnosti kopičenja v računalniškem pomnilniku in uporabe znanja strokovnjakov za reševanje problemov. To področje tehnologije je dobilo izraz "inženiring znanja" iz sporočila profesorja E. Feigenbauma, ki je postal ustvarjalec ekspertnih sistemov.
pristopi
Inženiring znanja temelji na dveh pristopih: preoblikovanju znanja in izgradnji modela.
- Transformacija znanja. Proces spreminjanja strokovnega znanja in prehoda iz ekspertnega znanja v njegovo programsko implementacijo. Na tem je bil zgrajen razvoj sistemov, ki temeljijo na znanju. Oblika predstavitve znanja – pravila. Slabosti so nezmožnost predstavitve implicitnega znanja in različnih vrst znanja v ustrezni obliki, težavnost odražanja velikega števila pravil.
- Izdelava modelov. Gradnja AI velja za vrsto simulacije; izdelava računalniškega modela, namenjenega reševanju problemov na določenem področju na enaki osnovi s strokovnjaki. Model ni sposoben posnemati dejavnosti strokovnjaka na kognitivni ravni, vendar omogoča doseganje podobnega rezultata.
Modeli in metode inženiringa znanja so usmerjeni v razvoj računalniških sistemov, katerih glavni namen je pridobiti znanje, ki je na voljo od strokovnjakov, in ga nato organizirati za najbolj učinkovito uporabo.
Umetna inteligenca, nevronske mreže in strojno učenje: v čem je razlika?
Eden od načinov za implementacijo umetne inteligence je nevronskaomrežje.
Strojno učenje je področje razvoja AI, ki je namenjeno preučevanju metod za gradnjo samoučečih se algoritmov. Potreba po tem se pojavi, če ni jasne rešitve določenega problema. V takšni situaciji je bolj donosno razviti mehanizem, ki lahko ustvari metodo za iskanje rešitve, ne pa iskanja.
Pogosto uporabljen izraz "globoko" ("globoko") učenje se nanaša na algoritme strojnega učenja, ki za delovanje zahtevajo veliko količino računalniških virov. Koncept je v večini primerov povezan z nevronskimi mrežami.
Obstajata dve vrsti umetne inteligence: ozko usmerjena ali šibka in splošna ali močna. Delovanje šibkih je usmerjeno v iskanje rešitve za ozek seznam težav. Najvidnejši predstavniki ozko usmerjene umetne inteligence so glasovni pomočniki Google Assistant, Siri in Alice. Nasprotno pa mu močne sposobnosti umetne inteligence omogočajo, da opravi skoraj vsako človeško nalogo. danes umetna splošna inteligenca velja za utopijo: njena implementacija je nemogoča.
strojno učenje
Strojno učenje se nanaša na metode na področju umetne inteligence, ki se uporabljajo za ustvarjanje stroja, ki se lahko uči iz izkušenj. Proces učenja razumemo kot obdelavo ogromnih podatkovnih nizov s strani stroja in iskanje vzorcev v njih.
Koncepta strojnega učenja in znanosti o podatkih sta kljub podobnosti še vedno različna in se vsak spopadata s svojimi nalogami. Oba instrumenta sta vključena v umetnointeligenca.
Strojno učenje, ki je ena od vej umetne inteligence, so algoritmi, na podlagi katerih je računalnik sposoben sklepati, ne da bi se spoštoval strogo določenih pravil. Stroj išče vzorce v zapletenih nalogah z velikim številom parametrov in išče natančnejše odgovore, za razliko od človeških možganov. Rezultat metode je natančna napoved.
Podatkovna znanost
Znanost o tem, kako analizirati podatke in iz njih pridobiti dragoceno znanje in informacije (podatkovno rudarjenje). Komunicira s strojnim učenjem in znanostjo razmišljanja, s tehnologijami za interakcijo z velikimi količinami podatkov. Delo Data science vam omogoča analiziranje podatkov in iskanje pravega pristopa za naknadno razvrščanje, obdelavo, vzorčenje in pridobivanje informacij.
Na primer, obstajajo informacije o finančnih izdatkih podjetja in informacije o nasprotnih strankah, ki so med seboj povezane le s časom in datumom transakcij ter vmesnimi bančnimi podatki. Globoka strojna analiza vmesnih podatkov vam omogoča, da določite najdražjo nasprotno stranko.
Nevronske mreže
Nevronske mreže, ki niso ločeno orodje, ampak ena od vrst strojnega učenja, lahko simulirajo delo človeških možganov z uporabo umetnih nevronov. Njihovo delovanje je usmerjeno v reševanje naloge in samoučenje na podlagi izkušenj, pridobljenih z zmanjševanjem napak.
Cilji strojnega učenja
Glavni cilj strojnega učenja je delna ali popolna avtomatizacija iskanja rešitev različnih analitičnihnaloge. Zaradi tega bi moralo strojno učenje dati najbolj natančne napovedi na podlagi prejetih podatkov. Rezultat strojnega učenja je predvidevanje in pomnjenje rezultata z možnostjo naknadne reprodukcije in izbire ene najboljših možnosti.
Vrste strojnega učenja
Razvrstitev učenja na podlagi prisotnosti učitelja se pojavlja v treh kategorijah:
- Z učiteljem. Uporablja se, kadar uporaba znanja vključuje učenje stroja, da prepozna signale in predmete.
- Brez učitelja. Načelo delovanja temelji na algoritmih, ki zaznajo podobnosti in razlike med predmeti, anomalijami in nato prepoznajo, kateri od njih velja za nepodobnega ali nenavadnega.
- Z okrepitvami. Uporablja se, ko mora stroj pravilno izvajati naloge v okolju z veliko možnimi rešitvami.
Glede na vrsto uporabljenih algoritmov so razdeljeni na:
- Klasično učenje. Algoritmi učenja so bili razviti pred več kot pol stoletja za statistične urade in sčasoma skrbno preučeni. Uporablja se za reševanje težav, povezanih z delom s podatki.
- Poglobljeno učenje in nevronske mreže. Sodoben pristop k strojnemu učenju. Nevronske mreže se uporabljajo, ko so potrebni generiranje ali prepoznavanje videoposnetkov in slik, strojno prevajanje, zapleteni postopki odločanja in analize.
V inženirstvu znanja so možni ansambli modelov, ki združujejo več različnih pristopov.
Prednosti strojnega učenja
S kompetentno kombinacijo različnih vrst in algoritmov strojnega učenja je mogoče avtomatizirati rutinske poslovne procese. Ustvarjalni del – pogajanja, sklepanje pogodb, priprava in izvajanje strategij – je prepuščen ljudem. Ta delitev je pomembna, saj je človek za razliko od stroja sposoben razmišljati izven okvirjev.
Težave pri ustvarjanju AI
V kontekstu ustvarjanja AI obstajata dve težavi ustvarjanja umetne inteligence:
- Zahteva se legitimnost priznavanja osebe kot samoorganizirajoče se zavesti in svobodne volje in s tem tudi za priznavanje umetne inteligence kot razumne;
- Primerjava umetne inteligence s človeškim umom in njegovimi sposobnostmi, ki ne upošteva individualnih značilnosti vseh sistemov in pomeni njihovo diskriminacijo zaradi nesmiselnosti njihovih dejavnosti.
Težave ustvarjanja umetne inteligence so med drugim v oblikovanju podob in figurativnega spomina. Figurativne verige pri ljudeh se oblikujejo asociativno, v nasprotju z delovanjem stroja; v nasprotju s človeškim umom računalnik išče določene mape in datoteke in ne izbira verig asociativnih povezav. Umetna inteligenca v inženirstvu znanja pri svojem delu uporablja specifično bazo podatkov in ni sposobna eksperimentirati.
Druga težava je učenje jezikov za stroj. Prevajanje besedila s pomočjo prevajalskih programov se pogosto izvede samodejno, končni rezultat pa predstavlja niz besed. Za pravilen prevodzahteva razumevanje pomena stavka, ki ga AI težko izvaja.
Pomanjkanje manifestacije volje umetne inteligence velja tudi za problem na poti do njenega nastanka. Preprosto povedano, računalnik nima osebnih želja, v nasprotju z močjo in zmožnostjo izvajanja zapletenih izračunov.
Sodobni sistemi umetne inteligence nimajo nobenih spodbud za nadaljnji obstoj in izboljšave. Večino umetne inteligence motivira le človeška naloga in potreba po njenem dokončanju. Teoretično je na to mogoče vplivati z ustvarjanjem povratne informacije med računalnikom in osebo ter izboljšanjem računalniškega sistema za samoučenje.
Primitivnost umetno ustvarjenih nevronskih mrež. Danes imajo prednosti, ki so enake človeškim možganom: učijo se na podlagi osebnih izkušenj, so sposobni sklepati in iz prejetih informacij izluščiti glavno stvar. Hkrati pa inteligentni sistemi niso sposobni podvojiti vseh funkcij človeških možganov. Inteligenca, ki je lastna sodobnim nevronskim mrežam, ne presega inteligence živali.
Minimalna učinkovitost umetne inteligence za vojaške namene. Ustvarjalci robotov, ki temeljijo na umetni inteligenci, se soočajo s problemom nezmožnosti umetne inteligence, da se samoučenja, samodejno prepozna in pravilno analizira prejete informacije v realnem času.
