A tudásmérnökség olyan módszerek, modellek és technikák összessége, amelyek célja olyan rendszerek létrehozása, amelyek célja, hogy a meglévő ismeretek alapján megoldást találjanak a problémákra. Valójában ez a kifejezés módszertanként, elméletként és technológiaként értendő, amely magában foglalja a tudás elemzésének, kinyerésének, feldolgozásának és bemutatásának módszereit.
A mesterséges intelligencia lényege az emberben rejlő intellektuális funkciók tudományos elemzésében és automatizálásában rejlik. Ugyanakkor a legtöbb problémára jellemző a gépi megvalósításuk összetettsége. A mesterséges intelligencia vizsgálata lehetővé tette, hogy meggyőződjünk arról, hogy a problémák megoldása mögött a szakértői tudás igénye húzódik meg, vagyis egy olyan rendszer létrehozása, amely nemcsak memorizálni, hanem a szakértői tudást elemezni és a jövőben felhasználni is képes; gyakorlati célokra használható.
A kifejezés története
A tudásfejlesztés és az intelligens információs rendszerek, különösen a szakértői rendszerek fejlesztése szorosan összefügg.
Az Egyesült Államokban, a Stanford Egyetemen a 60-70-es években E. Feigenbaum vezetésével egyDENDRAL rendszer, kicsit később - MYCIN. Mindkét rendszer szakértői címet kapott, mert képes felhalmozni a számítógép memóriájában, és a szakértők tudását felhasználni a problémák megoldására. Ez a technológiai terület a "tudásmérnöki" kifejezést E. Feigenbaum professzor üzenetéből kapta, aki a szakértői rendszerek megalkotója lett.
Megközelítések
A tudástervezés két megközelítésen alapul: a tudástranszformáción és a modellépítésen.
- A tudás átalakítása. A szakértelem megváltoztatásának folyamata és az átmenet a szakértői tudástól a szoftveres megvalósításig. A tudásalapú rendszerek fejlesztése erre épült. Tudásábrázolási formátum - szabályok. Hátránya az implicit tudás és a különféle tudástípusok megfelelő formában való megjelenítésének lehetetlensége, a nagyszámú szabály tükrözésének nehézsége.
- Épületmodellek. Az AI építését szimulációnak tekintik; számítógépes modell felépítése, amely egy adott terület problémáinak megoldására szolgál szakértőkkel egyenlő alapon. A modell kognitív szinten nem képes utánozni a szakértő tevékenységét, de lehetővé teszi hasonló eredmény elérését.
A tudásmérnöki modellek és módszerek a számítástechnikai rendszerek fejlesztésére irányulnak, melynek fő célja a szakemberektől elérhető tudás megszerzése, majd a leghatékonyabb felhasználásra való rendszerezése.
Mesterséges intelligencia, neurális hálózatok és gépi tanulás: mi a különbség?
A mesterséges intelligencia megvalósításának egyik módja a neurálishálózat.
A gépi tanulás a mesterséges intelligencia fejlesztésének egyik területe, amelynek célja az öntanuló algoritmusok felépítésének módszereinek tanulmányozása. Ennek szükségessége egy konkrét probléma egyértelmű megoldásának hiányában merül fel. Ilyen helyzetben kifizetődőbb olyan mechanizmust kidolgozni, amely módszert tud alkotni a megoldás megtalálására, nem pedig keresni.
A gyakran használt "mély" ("mély") tanulás kifejezés olyan gépi tanulási algoritmusokra vonatkozik, amelyek működéséhez nagy mennyiségű számítási erőforrás szükséges. A fogalom a legtöbb esetben neurális hálózatokhoz kapcsolódik.
Kétféle mesterséges intelligencia létezik: szűken fókuszált vagy gyenge, és általános vagy erős. A gyengék cselekvése arra irányul, hogy megoldást találjanak a problémák szűk listájára. A szűken vett mesterséges intelligencia legjelentősebb képviselői a Google Assistant, Siri és Alice hangsegédek. Ezzel szemben az erős mesterséges intelligencia képességei szinte bármilyen emberi feladat elvégzését teszik lehetővé. ma a mesterséges általános intelligencia utópiának számít: megvalósítása lehetetlen.
Gépi tanulás
A gépi tanulás a mesterséges intelligencia területén a tapasztalatból tanulni képes gép létrehozására használt módszerekre utal. A tanulási folyamat alatt hatalmas adattömbök gép általi feldolgozását és bennük lévő minták keresését értjük.
A gépi tanulás és az adattudomány fogalmai hasonlóságuk ellenére továbbra is különböznek egymástól, és mindegyik megbirkózik a saját feladataival. Mindkét műszer szerepel a mesterségesintelligencia.
A gépi tanulás, amely az AI egyik ága, olyan algoritmusok, amelyek alapján a számítógép merev szabályok betartása nélkül képes következtetéseket levonni. A gép nagyszámú paraméterrel összetett feladatokban keres mintákat, és az emberi agytól eltérően pontosabb válaszokat talál. A módszer eredménye egy pontos előrejelzés.
Adattudomány
Az adatok elemzésének és azokból értékes tudás és információk kinyerésének tudománya (adatbányászat). Kommunikál a gépi tanulással és a gondolkodás tudományával, valamint a nagy mennyiségű adattal való interakciót szolgáló technológiákkal. A Data science munkája lehetővé teszi az adatok elemzését és a megfelelő megközelítés megtalálását a későbbi válogatáshoz, feldolgozáshoz, mintavételhez és információ-visszakereséshez.
Például vannak információk egy vállalkozás pénzügyi kiadásairól, és információk az ügyfelekről, amelyeket csak a tranzakciók időpontja és dátuma, valamint a közbenső banki adatok kapcsolnak össze. A közbenső adatok mély gépi elemzése lehetővé teszi a legköltségesebb partner meghatározását.
Neurális hálózatok
A neurális hálózatok nem külön eszközként, hanem a gépi tanulás egyik fajtájaként képesek mesterséges neuronok segítségével szimulálni az emberi agy munkáját. Tevékenységük a feladat megoldására és a megszerzett tapasztalatokra épülő önálló tanulásra irányul a hibák minimalizálásával.
Gépi tanulási célok
A gépi tanulás fő céljának tekintik a különböző analitikai megoldások keresésének részleges vagy teljes automatizálását.feladatokat. Emiatt a gépi tanulásnak a legpontosabb előrejelzéseket kell adnia a kapott adatok alapján. A gépi tanulás eredménye az eredmény előrejelzése és memorizálása, a későbbi reprodukálás lehetőségével és az egyik legjobb lehetőség kiválasztásával.
A gépi tanulás típusai
A tanulás tanári jelenléte alapján történő osztályozása három kategóriába sorolható:
- A tanárral. Akkor használatos, ha az ismeretek felhasználása magában foglalja a gép megtanítását a jelek és tárgyak felismerésére.
- Tanár nélkül. A működés elve olyan algoritmusokon alapul, amelyek észlelik az objektumok közötti hasonlóságokat és különbségeket, anomáliákat, majd felismerik, hogy melyiket tekintik különbözőnek vagy szokatlannak.
- Erősítésekkel. Akkor használatos, ha a gépnek megfelelően kell végrehajtania a feladatokat egy olyan környezetben, ahol sok lehetséges megoldás található.
A használt algoritmusok típusa szerint a következőkre oszthatók:
- Klasszikus tanulás. Tanulási algoritmusokat több mint fél évszázaddal ezelőtt fejlesztettek ki statisztikai hivatalok számára, és az idők során alaposan tanulmányozták őket. Az adatokkal kapcsolatos problémák megoldására szolgál.
- Mély tanulás és neurális hálózatok. A gépi tanulás modern megközelítése. Neurális hálózatokat akkor használnak, amikor videók és képek generálására vagy felismerésére, gépi fordításra, összetett döntéshozatali és elemzési folyamatokra van szükség.
A tudástechnológia területén modellegyüttesek lehetségesek, amelyek többféle megközelítést kombinálnak.
A gépi tanulás előnyei
A gépi tanulás különböző típusainak és algoritmusainak megfelelő kombinációjával lehetséges a rutin üzleti folyamatok automatizálása. A kreatív rész - tárgyalás, szerződéskötés, stratégiák kidolgozása és kivitelezése - az emberekre van bízva. Ez a felosztás azért fontos, mert az ember a gépekkel ellentétben képes a dobozon kívül gondolkodni.
Problémák az AI létrehozásával
A mesterséges intelligencia létrehozásával összefüggésben a mesterséges intelligencia létrehozásának két problémája van:
- Az egyén önszerveződő tudatként és szabad akaratként való felismerésének legitimitása, és ennek megfelelően a mesterséges intelligencia ésszerűnek való elismerése ugyanez szükséges;
- A mesterséges intelligencia összehasonlítása az emberi elmével és képességeivel, amely nem veszi figyelembe minden rendszer egyéni jellemzőit, és tevékenységük értelmetlensége miatt diszkriminációt von maga után.
A mesterséges intelligencia létrehozásának problémái többek között a képek és a figuratív memória kialakításában rejlenek. A figuratív láncok az emberben asszociatív módon jönnek létre, ellentétben a gép működésével; Az emberi elmével ellentétben a számítógép meghatározott mappákat és fájlokat keres, és nem választ ki asszociatív linkek láncait. A tudásmérnöki mesterséges intelligencia egy meghatározott adatbázist használ munkája során, és nem képes kísérletezni.
A második probléma a nyelvtanulás a gépen. A szöveg fordítóprogramok általi fordítása gyakran automatikusan történik, és a végeredményt szavak halmaza jelzi. A helyes fordításértmeg kell érteni a mondat jelentését, amit az AI számára nehéz megvalósítani.
A mesterséges intelligencia akaratának megnyilvánulásának hiánya szintén problémának számít a létrehozása felé vezető úton. Egyszerűen fogalmazva, a számítógépnek nincsenek személyes vágyai, szemben az összetett számítások elvégzésének erejével és képességével.
A modern mesterséges intelligencia rendszerek nem ösztönöznek további létezésre és fejlesztésre. A legtöbb mesterséges intelligenciát csak egy emberi feladat és annak elvégzésének szükségessége motivál. Elméletileg ezt úgy lehet befolyásolni, hogy visszacsatolást hozunk létre a számítógép és egy személy között, és javítjuk a számítógép öntanuló rendszerét.
A mesterségesen létrehozott neurális hálózatok primitívsége. Ma már az emberi agyéval megegyező előnyökkel rendelkeznek: személyes tapasztalatok alapján tanulnak, képesek következtetéseket levonni, a kapott információkból kivonni a lényeget. Ugyanakkor az intelligens rendszerek nem képesek megkettőzni az emberi agy összes funkcióját. A modern neurális hálózatokban rejlő intelligencia nem haladja meg az állatok intelligenciáját.
A mesterséges intelligencia minimális hatékonysága katonai célokra. A mesterséges intelligencia alapú robotok megalkotói azzal a problémával szembesülnek, hogy a mesterséges intelligencia nem képes önállóan tanulni, automatikusan felismerni és valós időben helyesen elemezni a kapott információkat.
