Knowledge engineering är en uppsättning metoder, modeller och tekniker som syftar till att skapa system utformade för att hitta lösningar på problem baserade på befintlig kunskap. Faktum är att denna term förstås som metodik, teori och teknologi, som omfattar metoder för analys, extraktion, bearbetning och presentation av kunskap.
Kärnan i artificiell intelligens ligger i den vetenskapliga analysen och automatiseringen av intellektuella funktioner som är inneboende i människan. Samtidigt är komplexiteten i deras maskinimplementering gemensam för de flesta problem. Studiet av AI gjorde det möjligt att försäkra sig om att bakom lösningen av problem ligger behovet av expertkunskap, det vill säga skapandet av ett system som inte bara kan memorera, utan också analysera och använda expertkunskap i framtiden; den kan användas för praktiska ändamål.
Begreppets historia
Kunskapsteknik och utveckling av intelligenta informationssystem, i synnerhet expertsystem, är nära besläktade.
Vid Stanford University i USA på 60-70-talet, under ledning av E. Feigenbaum, enDENDRAL-system, lite senare - MYCIN. Båda systemen har fått titeln expert på grund av deras förmåga att ackumuleras i datorns minne och använda experternas kunskap för att lösa problem. Detta teknikområde fick termen "kunskapsteknik" från meddelandet från professor E. Feigenbaum, som blev skaparen av expertsystem.
Approaches
Kunskapsteknik bygger på två tillvägagångssätt: kunskapstransformation och modellbyggande.
- Omvandling av kunskap. Processen att förändra expertis och övergången från expertkunskap till dess mjukvaruimplementering. Utvecklingen av kunskapsbaserade system byggdes på det. Kunskapsrepresentation format - regler. Nackdelarna är omöjligheten att representera implicit kunskap och olika typer av kunskap i adekvat form, svårigheten att återspegla ett stort antal regler.
- Byggmodeller. Att bygga AI anses vara en typ av simulering; bygga en datormodell utformad för att lösa problem inom ett visst område på lika villkor med experter. Modellen är inte kapabel att imitera en experts aktivitet på kognitiv nivå, men den gör det möjligt att få ett liknande resultat.
Modeller och metoder för kunskapsteknik är inriktade på utveckling av datorsystem, vars huvudsakliga syfte är att skaffa den kunskap som finns tillgänglig från specialister och sedan organisera den för den mest effektiva användningen.
Artificiell intelligens, neurala nätverk och maskininlärning: vad är skillnaden?
Ett av sätten att implementera artificiell intelligens är neuralnätverk.
Machine learning är ett område för AI-utveckling som syftar till att studera metoder för att bygga självlärande algoritmer. Behovet av detta uppstår i avsaknad av en tydlig lösning på ett specifikt problem. I en sådan situation är det mer lönsamt att utveckla en mekanism som kan skapa en metod för att hitta en lösning, snarare än att leta efter den.
Den ofta använda termen "djup" ("djup") inlärning syftar på maskininlärningsalgoritmer som kräver en stor mängd datorresurser för att fungera. Konceptet är i de flesta fall förknippat med neurala nätverk.
Det finns två typer av artificiell intelligens: snävt fokuserad eller svag och allmän eller stark. De svagas agerande syftar till att hitta en lösning på en smal lista av problem. De mest framstående representanterna för snävt fokuserad AI är röstassistenterna Google Assistant, Siri och Alice. Däremot tillåter starka AI-förmågor att den kan utföra nästan alla mänskliga uppgifter. idag anses artificiell allmän intelligens vara en utopi: dess genomförande är omöjligt.
Machine learning
Machine learning hänvisar till metoderna inom området artificiell intelligens som används för att skapa en maskin som kan lära sig av erfarenhet. Inlärningsprocessen förstås som maskinens bearbetning av enorma datamatriser och sökandet efter mönster i dem.
Begreppen maskininlärning och datavetenskap är, trots sin likhet, fortfarande olika och var och en klarar av sina egna uppgifter. Båda instrumenten ingår i den konstgjordaintelligens.
Machine learning, som är en av grenarna inom AI, är algoritmer baserade på vilka en dator kan dra slutsatser utan att följa strikt fastställda regler. Maskinen letar efter mönster i komplexa uppgifter med ett stort antal parametrar och hittar mer exakta svar, till skillnad från den mänskliga hjärnan. Resultatet av metoden är en korrekt förutsägelse.
Datavetenskap
Vetenskapen om hur man analyserar data och extraherar värdefull kunskap och information från dem (data mining). Den kommunicerar med maskininlärning och vetenskapen om tänkande, med teknologier för att interagera med stora mängder data. Data sciences arbete låter dig analysera data och hitta rätt tillvägagångssätt för efterföljande sortering, bearbetning, provtagning och informationssökning.
Det finns till exempel information om ett företags finansiella kostnader och information om motparter som endast är sammankopplade med tid och datum för transaktioner och mellanliggande bankdata. Djup maskinanalys av mellanliggande data låter dig bestämma den mest kostsamma motparten.
Neurala nätverk
Neurala nätverk, som inte är ett separat verktyg, utan en av typerna av maskininlärning, kan simulera den mänskliga hjärnans arbete med hjälp av artificiella neuroner. Deras åtgärd är inriktad på att lösa uppgiften och självinlärning baserat på erfarenheter med att minimera fel.
Machine learning goals
Huvudmålet med maskininlärning anses vara delvis eller fullständig automatisering av sökandet efter lösningar på olika analytiskauppgifter. Av denna anledning bör maskininlärning ge de mest exakta förutsägelserna baserat på mottagna data. Resultatet av maskininlärning är förutsägelse och memorering av resultatet med möjlighet till efterföljande reproduktion och val av ett av de bästa alternativen.
Typer av maskininlärning
Klassificering av lärande baserat på närvaron av en lärare förekommer i tre kategorier:
- Med läraren. Används när användningen av kunskap innebär att lära maskinen att känna igen signaler och objekt.
- Utan lärare. Funktionsprincipen är baserad på algoritmer som upptäcker likheter och skillnader mellan objekt, anomalier och sedan identifierar vilka av dem som anses olika eller ovanliga.
- Med förstärkningar. Används när en maskin måste utföra uppgifter korrekt i en miljö med många möjliga lösningar.
Beroende på vilken typ av algoritmer som används är de indelade i:
- Klassiskt lärande. Inlärningsalgoritmer utvecklades för mer än ett halvt sekel sedan för statistikkontoren och studerades noggrant över tiden. Används för att lösa problem relaterade till att arbeta med data.
- Djup inlärning och neurala nätverk. Modernt förhållningssätt till maskininlärning. Neurala nätverk används när generering eller igenkänning av videor och bilder, maskinöversättning, komplexa beslutsfattande och analysprocesser krävs.
Inom kunskapsteknik är ensembler av modeller möjliga, som kombinerar flera olika tillvägagångssätt.
Fördelarna med maskininlärning
Med en kompetent kombination av olika typer och algoritmer av maskininlärning är det möjligt att automatisera rutinmässiga affärsprocesser. Den kreativa delen - att förhandla, sluta kontrakt, utarbeta och genomföra strategier - överlåts åt människor. Denna uppdelning är viktig eftersom en person, till skillnad från en maskin, kan tänka utanför ramarna.
Problem med att skapa AI
I samband med att skapa AI finns det två problem med att skapa artificiell intelligens:
- Legitimiteten av att erkänna en person som ett självorganiserande medvetande och fri vilja, och följaktligen, för att erkänna artificiell intelligens som rimligt, detsamma krävs;
- Jämförelse av artificiell intelligens med det mänskliga sinnet och dess förmågor, som inte tar hänsyn till de individuella egenskaperna hos alla system och medför deras diskriminering på grund av meningslösheten i deras aktiviteter.
Problemen med att skapa artificiell intelligens ligger bland annat i bildandet av bilder och figurativt minne. Figurativa kedjor hos människor bildas associativt, i motsats till driften av en maskin; i motsats till det mänskliga sinnet, söker en dator efter specifika mappar och filer och väljer inte kedjor av associativa länkar. Artificiell intelligens inom kunskapsteknik använder en specifik databas i sitt arbete och kan inte experimentera.
Det andra problemet är att lära sig språk för maskinen. Översättning av text med översättningsprogram utförs ofta automatiskt och slutresultatet representeras av en uppsättning ord. För korrekt översättningkräver att man förstår meningen med meningen, vilket är svårt för AI att implementera.
Avsaknaden av manifestation av artificiell intelligenss vilja anses också vara ett problem på vägen till dess skapelse. Enkelt uttryckt har datorn inga personliga önskemål, till skillnad från kraften och förmågan att utföra komplexa beräkningar.
Moderna artificiell intelligenssystem har inga incitament för ytterligare existens och förbättring. De flesta AI: er motiveras endast av en mänsklig uppgift och behovet av att slutföra den. I teorin kan detta påverkas genom att skapa en återkoppling mellan en dator och en person och förbättra datorns självlärande system.
Primitivitet hos artificiellt skapade neurala nätverk. Idag har de fördelar som är identiska med den mänskliga hjärnan: de lär sig baserat på personlig erfarenhet, de kan dra slutsatser och extrahera det viktigaste från den mottagna informationen. Samtidigt kan intelligenta system inte duplicera alla funktioner i den mänskliga hjärnan. Intelligensen som är inneboende i moderna neurala nätverk överstiger inte intelligensen hos ett djur.
Minsta effektivitet av AI för militära ändamål. Skaparna av artificiell intelligens-baserade robotar står inför problemet med AI:s oförmåga att lära sig själv, automatiskt känna igen och korrekt analysera informationen som tas emot i re altid.
